锌胁迫对银中杨生长发育和化学防御的影响

姜礅; 王月月; 严善春

doi:10.13332/j.1000-1522.20180131

锌胁迫对银中杨生长发育和化学防御的影响

东北林业大学林学院，黑龙江哈尔滨 150040

基金项目:

东北林业大学学术名师支持计划项目 010602071

详细信息

作者简介:
姜礅，博士生。主要研究方向：昆虫化学生态。Email: 821880041@qq.com 地址：150040 黑龙江省哈尔滨市和兴路26号东北林业大学林学院

责任作者:
严善春，教授，博士生导师。主要研究方向：昆虫化学生态。Email: yanshanchun@126.com 地址：同上

中图分类号: S718.43;S792.119
计量
- 文章访问数: 1264
- HTML全文浏览量: 405
- PDF下载量: 20
出版历程
- 收稿日期: 2018-04-26
- 修回日期: 2018-09-27
- 发布日期: 2018-10-31

Effects of Zn stress on growth development and chemical defense of Populus alba 'berolinensis' seedlings

School of Forestry, Northeast Forestry University, Harbin 150040, Heilongjiang, China

摘要

摘要:
目的探明Zn胁迫对银中杨生长发育的影响及银中杨化学防御对Zn胁迫的响应趋势。
方法本研究用3种不同含量的Zn(300、500、700 mg/kg)处理盆栽1年生银中杨的土壤，分析其生长发育状况、叶片内营养物质和次生物质含量以及蛋白酶抑制剂活性。
结果Zn各含量胁迫使银中杨的生长参数(株高、根长和地径)和生物量参数(根、茎、叶的鲜质量和干质量)均显著低于对照(P＜0.05)，且具有一定的浓度效应。在Zn胁迫后30、40和50 d，各含量处理均使银中杨叶片中的蛋白质和可溶性糖含量显著低于对照(P＜0.05)，但处理组之间的蛋白质含量差异均不显著(P>0.05)，而可溶性糖含量均表现为随Zn胁迫含量的增高而增高。Zn各含量胁迫均使银中杨叶片内的黄酮和木质素含量在各时间段显著高于对照，而叶片内的胰蛋白酶抑制剂(TI)和胰凝乳蛋白酶抑制剂(CI)活性却均显著低于对照(P＜0.05)。
结论生长基质中过量的Zn会抑制银中杨的生长发育，且能影响银中杨的化学防御水平。银中杨叶片内营养物质含量、抗虫相关次生代谢物质的含量、以及蛋白酶抑制剂活性对Zn胁迫的响应趋势不一致，体现为其营养物质含量减少、次生物质含量增多、蛋白酶抑制剂活性减弱。
- 锌胁迫 /
- 银中杨 /
- 生长发育 /
- 化学防御
Abstract:
ObjectiveThis study aims to investigate the effects of Zn stress on growth development of Populus alba 'berolinensis' (PAB) seedlings and their chemical defense patterns in response to the Zn stress.
MethodWe analyzed the growth development status, nutrient content and secondary metabolites, as well as the protease inhibitor activities in the leaves of PAB seedlings growing in either non-contaminated soil (CK/control) or Zn-contaminated soil (300, 500 and 700 mg/kg).
ResultOur results showed that the growth parameters (plant height, root length and ground diameter) and biomass parameters (the fresh and dry mass of root, stem and leaf) of the PAB seedlings in all the Zn-treated groups were significantly lower than those in the control (P < 0.05) in a concentration/dose-dependent fashion. On the 30th, 40th and 50th days after Zn stress, the contents of proteins and soluble sugars in PAB leaves in all the Zn-treated groups were significantly lower than those in control (P < 0.05). There were no significant differences in protein contents between the Zn treatment groups (P>0.05), while soluble sugar contents increased with the increase of Zn concentration. Zn stress, regardless of its concentration level, significantly increased the contents of flavonoids and lignin in the leaves on all three sampling dates compared with the control, whereas the trypsin inhibitor (TI) and the chymotrypsin inhibitor (CI) activities were significantly decreased (P < 0.05).
ConclusionThe above results illustrate that excessive Zn in the growing environment may inhibit the growth of PAB seedlings and affect their chemical defense. The response patterns of nutrient substances, secondary metabolites related to the plant resistance to insects as well as the protease inhibitors in the PAB leaves to Zn stress are inconsistent, as was evidenced by the reduced nutrient contents, the increased secondary metabolite contents and the weakened protease inhibitor activities.
- Zn stress /
- Populus alba 'berolinensis' /
- growth development /
- chemical defense

HTML全文

我国野生动物种类繁多，分布广泛，其中国家一级保护动物约97种，二级保护动物约320种，野生动物资源已经成为我国重要的战略资源。对野生动物进行监测是野生动物保护管理工作的重要组成，利用红外自动感应相机、无线遥感等技术^[1-3]对野生动物进行图像监测是当前最有效的手段之一。这种方法可以提供野生动物的种群分布、物种多样性等信息，但是存在着人工识别效率低，监测周期长的问题。因此，采用机器学习技术对野生动物图像进行自动检测与识别成为当前的研究热点。

曾陈颖^[4]提出了一种基于BP神经网络的大熊猫(Ailuropoda melanoleuca)识别方法。Okafor^[5]等提出一种基于深层学习与视觉词汇袋的野生动物识别方法，该方法使用灰度、颜色信息和不同的空间汇集方法来完成训练过程。但是利用红外自动感应相机监测野生动物时，由于相机布设在野外，拍摄时易受到动物本身的行为、周围环境和气候的影响，成像条件较差，导致识别的准确率低，因此学者们开始专注于解决由复杂环境背景导致的低识别率的问题。Villa等^[6]在文章中指出：图像包含的复杂背景信息对于识别的效果存在一定的影响，需要依靠准确的分割算法来提高识别准确率。Yu等^[7]将动物体从待训练图像中手动提取出来，这使得其对自建数据库的识别准确率提高到82%。近些年，深度学习理论的成熟与大数据的积累，为深度学习的应用提供了实践基础^[8]。在此基础上，通过应用深度学习理论构建了多种深度学习网络，并在ImageNet数据集上取得了极高的识别准确率。这些深度网络模型包括AlexNet^[9]、VGG Net^[10]、GoogleNet^[11]、Deep Residual Net^[12]和DenseNet^[13]等，与此同时，这些网络模型也被用于大熊猫、长颈鹿(Giraffa camelopardalis)等野生动物^[14]的图像识别。

就目前而言，深度神经网络已在动物图像的识别上广泛应用，Chen等^[15]使用自动图形切割算法分割野生动物区域，再使用深度卷积神经网络对20种野生动物进行识别，得到较好的识别精度。相比其他深度网络，近年兴起的DCNN(深度卷积神经网络)直接由数据本身得到特征和表达关系的自我学习，对图像具有极强的数据特征抽象能力，因此可以适应环境变化下的对象识别。目前，DCNN已在手写字符识别^[16]、行为识别^[17]以及农作物识别^[18-19]等方面获得了较好的效果，但是针对红外相机监测图像的检测与识别的研究仍面临着准确率低的问题。

针对以上问题，本研究提出一种基于目标检测与卷积神经网络(ROI-CNN)的野生动物监测图像的自动识别方法，通过基于回归算法的目标检测方法将野生动物所在区域从红外监测图像中分割出来，建立ROI图像数据库；将原始图像和ROI图像输入双通道卷积神经网络进行基于全局-局部的自动识别，最终实现高准确率的野生动物物种识别。

1. 材料与方法

1.1 野外环境下野生动物监测图像数据库的建立

2010—2016年间，项目组在内蒙古赛罕乌拉国家级自然保护区，利用红外感应触发相机对野生动物进行图像监测，获得了上千张野生动物监测图像，构建了野生动物监测图像数据库。监测图像均为24位RGB真彩色图像，分辨率为2 560 × 1 920。本研究从中选择了5种常见的国家级陆生保护动物^[20]为研究对象，包括马鹿(Cervus elaphus)、斑羚(Naemorhedus goral)、狍(Capreolus capreolus)、猞猁(Lynx lynx)和野猪(Sus scrofa)。表 1为图像数据库中5种动物的图像数量。

表 1 野生动物图像样本数据库

Table 1. Wildlife image sample database

图像数量 Image number	马鹿 Red deer	斑羚 Goral	狍 Roe deer	猞猁 Lynx	野猪 Boar
白天 Day time	542	574	498	186	69
黑夜 Night time	322	75	267	50	85
总图像 Total images	864	649	765	236	154

下载: 导出CSV

| 显示表格

红外自动感应相机在野外捕捉到的野生动物图像鲜有如图 1a所示的理想状况，监测图像通常会受到环境、动物行为和相机硬件的影响，存在如图 1b所示的遮挡问题，如图 1c、d所示的曝光以及动物颜色与背景难区分等问题，这些问题都会给图像监测中野生动物的检测与识别带来困难。

图 1 野生动物监测图像的常见情形

Figure 1. Common situations of wildlife monitoring images

下载: 全尺寸图片幻灯片

除此之外，红外自动感应相机也会因其他因素影响导致误触发拍摄大量无效图像，在训练中过大的数据量会导致检测与识别的效率低下。基于以上问题，本研究提出将ROI提取技术加入到野生动物图像的检测与识别中，减少复杂背景对动物识别的影响，同时提高模型训练的效率。

1.2 基于目标检测技术的野生动物区域自动检测分割

针对复杂背景对野生动物图像中动物的检测识别带来的影响，本研究采用一种基于回归算法的目标检测技术对图像中野生动物所在区域进行检测与分割。

回归检测算法网络DarkNet-19由19个卷积层、5个最大值池化层构成，首先将图像尺寸修改为448×448，输入网络进行预测，网络输出为S×S×(B×5+C)的张量，其中S为划分网格数，B为网络预测边框数，C为类别个数。然后将整幅图像划分为S×S个网格(grid cell)，每个网格预测B个检测边界框(bounding boxes)，以及每个框的置信度(confidence)，每个检测边界框包含5个参数(x、y、w、h和confidence)。(x, y)代表检测边界框的中心相对其母网格的位置，(w, h)为检测边界框的宽和高。置信度confidence计算公式如下：

${\rm{confidence}}=\operatorname{Pr}(\text { Object }) \times \mathrm{IOU}$

(1)

$\mathrm{IOU}=\frac{\operatorname{area}\left(\mathrm{BB}_{\mathrm{dt}} \cap \mathrm{BB}_{\mathrm{gt}}\right)}{\operatorname{area}\left(\mathrm{BB}_{\mathrm{dt}} \cup \mathrm{BB}_{\mathrm{gt}}\right)}$

(2)

式中：Pr(Object)为边界框包含目标物体的概率；IOU为检测框与标准框的交并比值；BB_gt为基于训练标签的参考标准框；BB_dt为检测边界框；area()表示面积。

本文中使用的S=7，即将输入图像首先分为49个网格，每个网格预测2个检测边界框，在算法中每个框包含x、y、w、h、confindence这5个数值，此处仅做野生动物区域回归，不做物种的具体类别预测，因此C取1，最后的输出是7×7×(2×5+1)的张量。采用误差平方和作为损失函数(loss)：

$\begin{array}{l}{\operatorname{loss}=\lambda_{\text { coord }} \sum\limits_{i=0}^{S^{2}} \sum\limits_{j=0}^{B} I_{i j}^{\mathrm{obj}}\left[\left(x_{i}-\hat{x}_{i}\right)^{2}+\left(y_{i}-\hat{y}_{i}\right)^{2}\right]+} \\ {\lambda_{\text { coord }} \sum\limits_{i=0}^{S^{2}} \sum\limits_{j=0}^{B} I_{i j}^{\mathrm{obj}}\left[\left(\sqrt{w_{i}}-\sqrt{\hat{w}_{i}}\right)^{2}+\left(\sqrt{h_{i}}-\sqrt{h_{i}}\right)^{2}\right]}\end{array}$

(3)

式中：λ_coord为定位误差的权重；x_i、y_i、w_i、h_i是第i个网格的位置以及宽和高； $\hat{x}_{i}, \hat{y}_{i}, \hat{w}_{i}, \hat{h}_{i}$ 是参考标准框的参数值。I_ij^obj表示第i个网格中第j个负责预测的预测值(predictor)。

在每一张图像中，会存在很多并不包含物体的网格，这些网格的置信度为0，它们的训练梯度远大于包含物体中心的部分网格，很可能会覆盖掉它们的梯度更新，使得模型不稳定，导致网络的发散。针对这个问题，本研究给定位误差更大的权重，使λ_coord=5，同时减小不包含物体中心网格的置信度误差的权重，包含物体中心网格的置信度误差则保持不变。

按照检测得到的野生动物所在区域的坐标(包含左上角坐标[x₁, y₁]和右下角坐标[x₂, y₂])对图像(图 2a)进行切割，输出如图 2b的目标区域图像，建立ROI图像库，为下一步的野生动物的自动识别提供数据基础。为了更精确地提取目标物种的特征，本研究需要目标检测算法的准确率达到90%以上才可进行后续的模型训练。

图 2 野生动物图像目标检测分割

Figure 2. Target detection segmentation for wildlife images

下载: 全尺寸图片幻灯片

1.3 基于VGG16的训练网络

VGGNet是DCNN的典型代表，其3×3小卷积核的设计思想使得网络的参数更少，且在具有1 000个分类的大规模图像数据集ImageNet^[21]的分类和定位上的适用性已得到了充分的验证，因此本研究以此为基础设计针对野生动物监测图像的识别网络。图 3为16个权重层的网络结构。

图 3 VGG16网络架构

注：COV3-64表示卷积核大小为3 × 3，通道数为64的卷积层；COV3-128表示卷积核大小为3 × 3，通道数为128的卷积层；COV3-256表示卷积核大小为3 × 3，通道数为256的卷积层；COV3-512表示卷积核大小为3 × 3，通道数为512的卷积层；MAXPOOL表示采用最大值池化；FC-4096表示通道数为4096的全连接层；FC-1000表示通道数为1000的全连接层；分类层采用softmax函数。

Figure 3. VGG16 network architecture

Notes: COV3-64 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 64 channels. COV3-128 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 128 channels. COV3-256 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 256 channels. COV3-512 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 512 channels. MAXPOOL indicates that the maximum pool is used.FC-4096 denotes a fully connected layer with a channel number of 4096. FC-1000 denotes a fully connected layer with a channel number of 1000;the classification layer uses softmax function.

下载: 全尺寸图片幻灯片

VGGNet的输入为224×224的RGB图像，图像经过网络的处理，输出其属于每个类别的概率。VGGNet架构的核心由卷积层和池化层交替构成。其中前5部分分别由多个卷积核大小为3×3的卷积层构成，第6部分为3个全连接(fully-connected, FC)层。卷积层的主要作用是提取特征^[22]，即包含一组经数据驱动进行自主学习的卷积核，又称特征提取器。针对不同的特征提取密集度，卷积核用固定大小的卷积步幅与输入做卷积运算，经由激活函数变换后构成卷积特征图，代表对输入图像特征的响应。输出的特征图通常表示为：

$a_{n}^{l}=f\left(\sum\limits_{\forall m}\left(a_{m}^{l-1} \times k_{m, n}^{l}\right)+b_{n}^{l}\right)$

(4)

式中：a_n^l为第l层(当前层)的第n个特征图，a_m^l-1为第(l-1)层(上一层)的第m个特征图，k_{m, n}^l表示作用于2个特征图之间的卷积核，f(x)为激活函数，b_n^l代表偏置项。

池化层用于特征映射和降维，本研究中采用最大值池化，对卷积特征图进行下采样后构成池化特征图，通常表示为：

$a_{n}^{l}=f\left(r_{n}^{l} \times \frac{1}{s^{2}} \sum\limits_{s \times s} a_{n}^{l-1}+b_{n}^{l}\right)$

(5)

式中：s是选取的下采样模板，r_n^l为模板的权值。

经过多层级联后，全连接层对最后一个池化层输出的特征图作矢量变换，构成特征向量输送到分类层。

2. 基于全局-局部的双通道VGG16野生动物自动识别

基于上文提到的技术与方法，提出一种基于ROI-CNN的野生动物监测图像自动识别方法，首先采用基于回归算法的目标检测技术对图像中野生动物所在的区域进行检测，实现自动的分割与裁剪，得到以动物为主体的图像集(ROI图像)；提出一种双通道模型，将未经感兴趣区域提取的图像和ROI图像同时导入VGGNet进行训练，基于ImageNet数据库进行微调，最后接入分类器输出最终的识别结果。图 4为算法流程图。

图 4 算法流程图

Figure 4. Algorithm flow chart

下载: 全尺寸图片幻灯片

图 5所示为构建的基于VGG16的双通道网络模型，其中包括网络通道G1与网络通道G2。将未经感兴趣区域提取的图像数据库与经感兴趣区域提取后的ROI图像数据库作为训练样本，分别输入G1与G2，以softmax作为分类器，分别输出预测概率矩阵P_G1与P_G2：

图 5 双通道网络模型

Figure 5. Dual-channel network model

下载: 全尺寸图片幻灯片

$\boldsymbol{P}_{\mathrm{G} 1}=\left[P_{1\_1}, P_{1\_2}, P_{1\_3}, P_{1\_4}, P_{1\_5} \right]$

(6)

$\boldsymbol{P}_{\mathrm{G} 2}=\left[P_{2\_1}, P_{2\_2}, P_{2\_3}, P_{2\_4}, P_{2\_5}\right]$

(7)

式中：P_{i_j}表示网络输出的预测概率，i∈{1，2}，分别对应网络通道G1与G2；j∈{1，2，3，4，5}，分别对应5种被预测的物种。P_G1与P_G2为n=5的行向量，概率矩阵满足各类预测概率之和为1，即满足：

$\sum\limits_{j=1}^{5} P_{i j}=1$

(8)

最后通过分类概率融合将概率矩阵P_G1与P_G2相加取平均值，得到最终的识别概率矩阵Q，并输出矩阵中概率最大值所对应的物种作为识别的结果。

$Q=\frac{\boldsymbol{P}_{\mathrm{G} 1}+\boldsymbol{P}_{\mathrm{C} 2}}{2}$

(9)

3. 实验和结果分析

本研究的硬件平台为E5-2620 CPU，两块GTX 1080ti GPU的工作站，软件为Ubuntu16.04操作系统、Python2.7的编程环境、Tensorflow1.3.0的深度学习框架。

3.1 野生动物目标检测器训练

首先采用1.2节介绍的基于回归的目标检测技术训练野生动物目标检测器。从样本库中随机选择每类野生动物图片的80%作为训练样本，使用labelImg作为图像标定软件，对训练集图像中的野生动物区域进行人工标定。以Darknet-19作为特征提取网络，采用随机梯度下降法(SGD)为优化函数，初始学习率为0.001，冲量(momentum)为0.9，训练批次(batch size)为8。训练过程迭代次数为1 200次，图 6为训练准确率的变化图。训练集准确率在训练迭代1 200次后达到97%以上，将数据库中其余20%的样本作为验证集，最终验证集准确率为96.6%。这说明野生动物目标检测器满足90%的准确率要求，可以用来提取监测图像中野生动物所在区域。

图 6 目标检测算法训练准确率

Figure 6. Training accuracy chart of the target detection algorithm

下载: 全尺寸图片幻灯片

3.2 双通道卷积神经网络模型训练

训练VGG16网络模型时，采用随机梯度下降(stochastic gradient descent, SGD)算法进行优化实验，学习率采用步进阶梯调节策略step。网络模型训练参数如表 2所示。

表 2 网络模型训练参数

Table 2. Training parameters of the network model

参数类型 Parameter type	批量数据 Batch data	优化算法 Optimization algorithm	初始学习率 Initial learning rate	迭代次数 Epochs	损失函数 Loss function
值或方法Value or method	64	随机梯度下降 Stochastic gradient descent	0.001	50	交叉熵函数Cross entropy function

下载: 导出CSV

| 显示表格

为了丰富图像训练集，更好地提取图像特征，提高模型泛化能力，本研究在训练过程中采用仿射变换和裁剪等方式对样本图像进行数据扩充，将原有训练样本数据扩充5倍。将图像数据库中的每类野生动物图像分成训练集、测试集和验证集。其中训练集和测试集分别占每类动物图像总数的70%和30%，随机从图像数据库中产生20%作为验证集。

选定平均识别精度的平均值MAP^[23](mean average precision)来评价识别模型的好坏，MAP的计算公式如式(10)：

$\operatorname{MAP}=\frac{\sum\limits_{q=1}^{5} \operatorname{Ave} P(q)}{5}$

(10)

式中：q为野生动物物种的编号，P(q)为野生动物监测图像中第q类物种的识别精度，AveP(q)为第q类物种的平均识别精度(average precision，AP)，MAP为5种物种的平均识别精度的均值。

3.3 不同CNN网络结构的对比实验

本研究算法中采用的网络结构是VGG16，为了验证不同网络结构对算法识别效果的影响，用VGG19结构代替VGG16进行训练识别，将两种结构下的训练效果进行对比。

图 7所示为两种结构下的模型在训练时损失函数值和准确率随迭代次数的变化，两种模型的训练均在40次迭代之后开始趋于稳定。对5种野生动物的识别效果以及训练的MAP值和验证时最大MAP值的对比如表 3所示。

图 7 损失函数值(a)和准确率(b)随迭代次数的变化

Figure 7. Variations of loss fuction values (a) and accuracy (b)with epoch changing

下载: 全尺寸图片幻灯片

表 3 不同物种的AP值与不同模型的MAP值

Table 3. AP value of different species and MAP value of varied models

算法类别 Algorithm class	AP					MAP(测试) MAP(test)	最大MAP(验证) Max. MAP(validation)
算法类别 Algorithm class	马鹿 Red deer	斑羚 Goral	狍 Roe deer	猞猁 Lynx	野猪 Boar	MAP(测试) MAP(test)	最大MAP(验证) Max. MAP(validation)
VGG19	0.87	0.82	0.82	0.83	0.81	0.83	0.87
本研究算法Algorithm in this research	0.94	0.91	0.91	0.88	0.92	0.91	0.94
注：AP代表平均识别精度，MAP代表平均识别精度的均值。Notes: AP is average identification precision, and MAP is mean AP.

下载: 导出CSV

| 显示表格

表 3中，2~6列为不同物种测试集的平均识别精度AP，第7列为测试集5种物种的平均识别精度的均值MAP，第8列为训练过程中，验证集的最大MAP值。综合分析图 7和表 3可得：1)无论采用哪种结构，验证时的最大MAP值和测试时的MAP值相差较小，说明模型没有产生欠拟合或者过拟合的问题；2)训练时，相比于VGG19结构，VGG16结构下的损失函数值下降更快，稳定后的损失函数值更低，训练效率较高；3)两种结构下的测试准确率差值较小，但是VGG16结构下的测试准确率始终高于VGG19；4)针对研究中这5种野生动物，VGG16结构下的模型识别效果均优于VGG19，且最高的准确率差值达到11%；5)验证时，VGG16结构的最大MAP值为0.94，而VGG19结构的最大MAP值仅为0.87。

VGG19网络相较于VGG16虽然具有更深的网络层数，但网络层数越深，网络反向传播的梯度相关性越差，造成梯度弥散现象，所以并非网络层数越深，识别效果越优。综上所述，本研究采用VGG16结构的模型，使得训练效果更优，训练效率更高，能够得到更高的MAP值，更加适合于红外自动感应相机下野生动物监测图像的物种识别。

3.4 算法性能评估实验

R-CNN、Fast R-CNN^[24]是DCNN初期应用算法中的主流方法，其思想也影响了目前大量的检测模型网络。R-CNN的核心思想是从输入图像中选出上千个候选框，对每个候选框做卷积运算以及特征提取，再使用分类器判别其类别；而Fast R-CNN则是只对输入图像做一次卷积运算得到特征图，找到每个候选框在特征图上的映射，再提取出特征输入分类器进行判别。这两种算法都是在输入图像上划分出大量的候选框进行处理，本研究算法则是对输入图像进行处理，分割出目标所在的区域，再进行之后的模型训练以及识别分类。为了证明本研究提出算法的有效性，在野生动物监测图像集上，分别利用4种算法对5种野生动物进行物种识别，图 8所示为不同算法准确率的对比，其MAP值的对比如表 4所示。

图 8 4种模型下的5种野生动物测试准确率

Figure 8. Test accuracy of five kinds of wildlife under four models

下载: 全尺寸图片幻灯片

表 4 不同算法的MAP

Table 4. MAP of different algorithms

算法类别 Algorithm class	VGG16	R-CNN	Fast R-CNN	本研究算法 Algorithm in this research
最大MAP(验证) Max.MAP(validation)	0.672	0.803	0.895	0.931
MAP(测试) MAP(test)	0.656	0.762	0.856	0.912

下载: 导出CSV

| 显示表格

综合分析图 8、表 4可得：1)训练时，针对5种野生动物，本研究算法的训练效果相比于VGG16、R-CNN与Fast R-CNN均为最佳，测试时MAP的值也最高；2)与单独的VGG16结构相比，本研究算法对5种野生动物的测试准确率均高出20%以上，验证时的最大MAP值高出0.259，证明对图像进行ROI提取能够降低复杂背景信息对图像识别的影响，得到更好的识别效果；3)对于狍的准确率，本研究算法比R-CNN的准确率高出18%，狍的图像质量较差，动物本身与背景经常难以区分，说明本研究算法比R-CNN更好地减少了背景对图像识别的影响；4)与Fast R-CNN的表现相比，由于马鹿图像质量较好，大多比较清晰、辨识度高，受背景影响较小，本研究算法在马鹿的识别上仅高出2%，相比之下，背景更为复杂的猞猁、野猪、斑羚和狍图像的识别上，本研究算法的准确率就比Fast R-CNN提高了8%、5%、6%、7%，也说明了本研究算法在处理背景复杂的图像上优于Fast R-CNN，能够达到更高的识别准确率；5)验证时，本研究算法的最大MAP值最大，VGG16的最小，与识别效果的比较关系相对应，且对于4种算法，验证时的最大MAP值和测试时的MAP值的差值均较小，再次证明训练没有产生过拟合的问题。

综上所述，与VGG16、R-CNN与Fast R-CNN相比，本研究算法在马鹿、猞猁、野猪、斑羚和狍的红外相机监测图像的检测与识别上具有更高的精度，图像初期的检测分割处理减少了无效背景的影响，对于树木遮挡、光线变化有较好的鲁棒性，更加满足野生动物监测图像识别的要求。

4. 结论

针对红外自动感应相机在野外环境下拍摄的野生动物监测图像，提出一种基于ROI-CNN的图像自动识别方法，利用基于回归算法的目标检测与全局-局部的双通道卷积神经网络，有效克服复杂背景信息对野生动物监测图像物种识别的干扰。通过实验分析，采用VGG16作为卷积网络的测试准确率最高，对内蒙古赛罕乌拉国家级自然保护区内5种陆生野生动物的平均识别率均可达到90%左右。为了验证本研究算法的有效性，设计了与VGG16、R-CNN、Fast R-CNN算法的对比试验，与5种野生动物的测试准确率和MAP值进行对比，实验结果表明：针对全部5种野生动物，本研究提出算法的测试准确率最高，达到更高的测试MAP值，识别效果最优。

图 1 Zn胁迫对银中杨株高、根长和地径的影响

图中数据均为平均值±标准差(n=3)。不同小写字母表示不同处理之间差异显著(P＜0.05)。

Figure 1. Effects of Zn stress on plant height (A), root length (B) and ground diameter (C) of Populus alba 'berolinensis' seedlings

Data in figure are means±SD (n=3). Different lowercases mean there is significant differences among the treatments at P＜0.05 level.

下载: 全尺寸图片幻灯片

图 2 Zn胁迫对银中杨叶片内蛋白质(A)和可溶性糖(B)含量的影响

图中数据均为平均值±标准差(n=3)。不同小写字母表示相同胁迫时间下各组之间差异显著(P＜0.05)。下同。Data in figure are means±SD (n=3).

Figure 2. Effects of Zn stress on the protein (A) and soluble sugar (B) content in leaves of Populus alba 'berolinensis' seedlings

Different lowercases within the same stress duration mean there is significant differences among the treatments at P＜0.05 level. The same below.

下载: 全尺寸图片幻灯片

图 3 Zn胁迫对银中杨叶片内黄酮(A)和木质素(B)含量的影响

Figure 3. Effects of Zn stress on the flavonoids (A) and lignin (B) content in leaves of Populus alba 'berolinensis' seedlings

下载: 全尺寸图片幻灯片

图 4 Zn胁迫对银中杨叶片内TI和CI活性的影响

Figure 4. Effects of Zn stress on the trypsin inhibitor (TI) (A) and chymotrypsin inhibitor (CI) (B) activity in leaves of Populus alba 'berolinensis' seedlings

下载: 全尺寸图片幻灯片

表 1 Zn胁迫对银中杨根、茎、叶鲜质量和干质量的影响

Table 1 Effects of Zn stress on the fresh and dry mass of root, stem and leaf of Populus alba 'berolinensis' seedlings

处理组Treatment	根质量Root mass/(g·plant^-1)		茎质量Stem mass/(g· plant^-1)		叶质量Leaf mass/(g· plant^-1)
处理组Treatment	鲜质量Fresh mass	干质量Dry mass	鲜质量Fresh mass	干质量Dry mass	鲜质量Fresh mass	干质量Dry mass
CK	4.98±0.59a	3.77±0.29a	14.93±0.81a	7.58±0.51a	19.54±2.01a	9.09±0.96a
Zn₃₀₀	3.92±0.19b	3.06±0.34b	13.66±0.19b	6.73±0.1b	16.77±0.15b	7.02±0.18b
Zn ₅₀₀	3.53±0.37b	2.81±0.34b	13.60±0.27b	6.47±0.07b	15.75±0.67b	6.39±0.36b
Zn ₇₀₀	3.46±0.33b	2.64±0.28b	11.24±1.33b	5.26±0.67c	15.53±0.53b	6.36±0.3b
注：表中数据均为平均值±标准差(n=3)。同列不同小写字母表示不同处理之间差异显著(P＜0.05)。CK、Zn₃₀₀、Zn₅₀₀、Zn₇₀₀分别代表土壤中的Zn处理含量为0、300、500和700 mg/kg。下同。Notes: data in table are means±SD (n=3). Different lowercases within the same column mean there is significant differences among the treatments at P＜0.05 level. CK, Zn₃₀₀, Zn₅₀₀, Zn₇₀₀ represent the Zn contents of 0, 300, 500, 700 mg/kg, respectively (the same below).

下载: 导出CSV

参考文献(38)

[1]	张小敏, 张秀英, 钟太洋, 等.中国农田土壤重金属富集状况及其空间分布研究[J].环境科学, 2014, 35(2): 692-703. http://d.old.wanfangdata.com.cn/Periodical/hjkx201402041 Zhang X M, Zhang X Y, Zhong T Y, et al. Spatial distribution and accumulation of heavy metal in arable land soil of China[J]. Environmental Science, 2014, 35(2): 692-703. http://d.old.wanfangdata.com.cn/Periodical/hjkx201402041
[2]	Li Z, Ma Z, Van Der Kuijp T J, et al. A review of soil heavy metal pollution from mines in China: pollution and health risk assessment[J]. Science of the Total Environment, 2014, 468-469:843. doi: 10.1016/j.scitotenv.2013.08.090
[3]	樊霆, 叶文玲, 陈海燕, 等.农田土壤重金属污染状况及修复技术研究[J].生态环境学报, 2013(10): 1727-1736. doi: 10.3969/j.issn.1674-5906.2013.10.015 Fan T, Ye W L, Chen H Y, et al.Review on contamination and remediation technology of heavy metal in agricultural soil[J]. Ecology and Environmental Sciences, 2013, 22(10): 1727-1736. doi: 10.3969/j.issn.1674-5906.2013.10.015
[4]	Gupta N, Ram H, Kumar B. Mechanism of zinc absorption in plants: uptake, transport, translocation and accumulation[J]. Reviews in Environmental Science & Bio/technology, 2016, 15(1): 89-109. doi: 10.1007/s11157-016-9390-1
[5]	Valko M, Jomova K, Rhodes C J, et al. Redox-and non-redox-metal-induced formation of free radicals and their role in human disease[J]. Archives of Toxicology, 2016, 90(1): 1-37. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=9f91a3cd68a85e0c11b2d0afe6fabc06
[6]	Li X, Yang Y, Jia L, et al. Zinc-induced oxidative damage, antioxidant enzyme response and proline metabolism in roots and leaves of wheat plants[J]. Ecotoxicology and Environmental Safety, 2013, 89(11):150-157. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=6f658a2133d41bb59d1e65cc44b9c986
[7]	Borowiak K, Gąecka M, Mleczek M, et al. Photosynthetic activity in relation to chlorophylls, carbohydrates, phenolics and growth of a hybrid Salix purpurea×triandra×viminalis, 2 at various Zn concentrations[J]. Acta Physiologiae Plantarum, 2015, 37(8):1-12. doi: 10.1007/s11738-015-1904-x
[8]	鲁艺芳, 石蕾, 严善春.不同光照强度对兴安落叶松几种主要防御蛋白活力的影响[J].生态学报, 2012, 32(11): 3621-3627. http://d.old.wanfangdata.com.cn/Periodical/stxb201211035 Lu Y F, Shi L, Yan S C. Effects of different light intensities on activities of the primary defense proteins in needles of Larix gmelinii[J]. Acta Ecologica Sinica, 2012, 32(11): 3621-3627. http://d.old.wanfangdata.com.cn/Periodical/stxb201211035
[9]	张凯, 周艳涛, 王皙玮, 等.铜、镉胁迫对舞毒蛾排毒代谢酶的影响[J].北京林业大学学报, 2016, 38(2): 61-67. doi: 10.13332/j.1000-1522.20150293 Zhang K, Zhou Y T, Wang X W, et al.Effects of copper and cadmium stress on the activities of detoxifying metabolic enzymes in Lymantria dispar[J]. Journal of Beijing Forestry University, 2016, 38(2): 61-67. doi: 10.13332/j.1000-1522.20150293
[10]	吴碧球, 李成, 孙祖雄, 等.苗龄、光照强度和施氮量对抗褐飞虱水稻品种主要防御酶活性的影响[J].环境昆虫学报, 2016, 38(6): 1121-1133. http://d.old.wanfangdata.com.cn/Periodical/kctd201606009 Wu B Q, Li C, Sun Z X, et al. Influence of seedling stage, light intensity and nitrogen (N) application rate on the main defensive enzymes activity in rice varieties resistant to brown planthopper (BPH), Nilaparvata lugens[J]. Journal of Environmental Entomology, 2016, 38(6): 1121-1133. http://d.old.wanfangdata.com.cn/Periodical/kctd201606009
[11]	Cabot C, Gallego B, Martos S, et al. Signal cross talk in Arabidopsis exposed to cadmium, silicon, and Botrytis cinerea[J]. Planta, 2013, 237(1): 337-349. doi: 10.1007/s00425-012-1779-7
[12]	Wang C, Lu J, Zhang S, et al. Effects of Pb stress on nutrient uptake and secondary metabolism in submerged macrophyte Vallisneria natans[J]. Ecotoxicology and Environmental Safety, 2011, 74(5): 1297-1303. doi: 10.1016/j.ecoenv.2011.03.005
[13]	Fones H N, Preston G M. Trade-offs between metal hyperaccumulation and induced disease resistance in metal hyperaccumulator plants[J]. Plant Pathology, 2013, 62(S1): 63-71. doi: 10.1111/ppa.12171
[14]	Kazemi-Dinan A, Sauer J, Stein R J, et al. Is there a trade-off between glucosinolate-based organic and inorganic defences in a metal hyperaccumulator in the field[J]. Oecologia, 2015, 178(2): 369-378. doi: 10.1007/s00442-014-3218-x
[15]	Jiang D, Yan S. Effects of Cd, Zn or Pb stress in Populus alba 'berolinensis' on the development and reproduction of Lymantria dispar[J]. Ecotoxicology, 2017, 26(10): 1305-1313. doi: 10.1007/s10646-017-1855-7
[16]	国家环境保护局, 国家技术监督局. GB15618—1995土壤环境质量标准[S]. 北京: 中国标准出版社, 1995. http://www.csres.com/detail/1958.html State Department of Environmental Conservation, State Bureau of Technical Supervision. GB15618—1995 soil environmental quality standard[S]. Beijing: China Standards Press, 1995. http://www.csres.com/detail/1958.html
[17]	Bradford M M. A rapid and sensitive method for the quantitation of microgram quantities of protein utilizing the principle of protein-dye binding[J]. Analytical biochemistry, 1976, 72(1-2): 248-254. doi: 10.1016/0003-2697(76)90527-3
[18]	Nelson N. A photometric adaptation of the Somogyi method for the determination of glucose[J]. Journal of Biological Chemistry, 1944, 153(2): 375-380.
[19]	Jia Z S, Tang M C, Wu J M. The determination of flavonoid contents in mulberry and their scavenging effects on superoxide radicals[J]. Food Chemistry, 1999, 64(4): 555-559. doi: 10.1016/S0308-8146(98)00102-2
[20]	任琴, 胡永建, 李镇宇, 等.受害马尾松木质素含量及其过氧化物酶活性[J].生态学报, 2007, 27(11): 4895-4899. doi: 10.3321/j.issn:1000-0933.2007.11.060 Ren Q, Hu Y J, Li Z Y, et al.Content variation of lignin and peroxidase activities from damaged Pinus massioniana[J]. Acta Ecologica Sinica, 2007, 27(11): 4895-4899. doi: 10.3321/j.issn:1000-0933.2007.11.060
[21]	张健, 严善春, 王琪.落叶松结实量对其防御酶和蛋白酶抑制剂活力的影响[J].林业科学, 2009, 45(8): 96-100. doi: 10.3321/j.issn:1001-7488.2009.08.017 Zhang J, Yan S C, Wang Q. Influence of the different cone grades on activities of protective enzymes and protease inhibitors in needles of Larix spp.[J]. Scientia Silvae Sinicae, 2009, 45(8): 96-100. doi: 10.3321/j.issn:1001-7488.2009.08.017
[22]	何俊瑜, 王阳阳, 任艳芳, 等.镉胁迫对不同水稻品种幼苗根系形态和生理特性的影响[J].生态环境学报, 2009, 18(5): 1863-1868. doi: 10.3969/j.issn.1674-5906.2009.05.049 He J Y, Wang Y Y, Ren Y F, et al.Effect of cadmium on root morphology and physiological characteristics of rice seedlings[J]. Ecology and Environmental Sciences, 2009, 18(5): 1863-1868. doi: 10.3969/j.issn.1674-5906.2009.05.049
[23]	Solanki R, Dhankhar R. Zinc and copper induced changes in physiological characteristics of Vignamungo (L.)[J]. Journal of Environmental Biology, 2011, 32(6): 747-751.
[24]	Zhou L, Zhao Y, Wang S, et al. Lead in the soil-mulberry (Morus alba L.)-silkworm (Bombyx mori) food chain: translocation and detoxification[J]. Chemosphere, 2015, 128:171-177. doi: 10.1016/j.chemosphere.2015.01.031
[25]	张银秋, 台培东, 李培军, 等.镉胁迫对万寿菊生长及生理生态特征的影响[J].环境工程学报, 2011, 5(1): 195-199. http://d.old.wanfangdata.com.cn/Periodical/hjwrzljsysb201101040 Zhang Y Q, Tai P D, Li P J, et al. Effects of cadmium stress on the growth and physiological characteristic of Tagetes erecta L.[J]. Chinese Journal of Environmental Engineering, 2011, 5(1): 195-199. http://d.old.wanfangdata.com.cn/Periodical/hjwrzljsysb201101040
[26]	Redovniković I R, Marco A D, Proietti C, et al. Poplar response to cadmium and lead soil contamination[J]. Ecotoxicology & Environmental Safety, 2017, 144: 482-489. https://www.sciencedirect.com/science/article/pii/S0147651317303469
[27]	Nikolić N, Zorić L, Cvetković I, et al. Assessment of cadmium tolerance and phytoextraction ability in young Populus deltoides L. and Populus×euramericana plants through morpho-anatomical and physiological responses to growth in cadmium enriched soil[J]. iForest-Biogeosciences and Forestry, 2017, 10(3): 635-644. doi: 10.3832/ifor2165-010
[28]	雷关红, 胡丽丽, 刘亚丽, 等.无毛黄瓜抗蚜与叶片营养物质关系的探究[J].山东农业科学, 2013, 45(7): 95-98. doi: 10.3969/j.issn.1001-4942.2013.07.028 Lei G H, Hu L L, Liu Y L, et al. Research on relationship between aphid-resistance and nutrient substances in leaves of glabrous cucumber[J]. Shandong Agricultural Sciences, 2013, 45(7): 95-98. doi: 10.3969/j.issn.1001-4942.2013.07.028
[29]	刘芳华, 康志伟, 胡想顺, 等.小麦叶片营养物质与抗麦长管蚜的相关性分析[J].植物保护学报, 2017, 44(2): 305-311. http://d.old.wanfangdata.com.cn/Periodical/zwbhxb201702018 Liu F H, Kang Z W, Hu X S, et al. Effects of foliage nutrients of different wheat cultivars on the grain aphid, Sitobion avenae (Hemiptera:Aphididae)[J]. Acta Phytophylacica Sinica, 2017, 44(2): 305-311. http://d.old.wanfangdata.com.cn/Periodical/zwbhxb201702018
[30]	Farooq M A, Ali S, Hameed A, et al. Cadmium stress in cotton seedlings: physiological, photosynthesis and oxidative damages alleviated by glycinebetaine[J]. South African Journal of Botany, 2016, 104:61-68. doi: 10.1016/j.sajb.2015.11.006
[31]	张凯, 王琪, 何冬明, 等.黄檗叶片内酚酸质量分数的时序变化及其抗虫性[J].东北林业大学学报, 2014, 42(1): 126-130. doi: 10.3969/j.issn.1000-5382.2014.01.028 Zhang K, Wang Q, He D M, et al. Temporal changes of phenolic acids in Phellodendron amurense Rupr. leaves and its resistance to insects[J]. Journal of Northeast Forestry University, 2014, 42(1): 126-130. doi: 10.3969/j.issn.1000-5382.2014.01.028
[32]	李顺欣, 郅军锐, 杨广明, 等.外源茉莉酸诱导的菜豆叶片生化抗性及其对西花蓟马体内保护酶和解毒酶活性的影响[J].应用生态学报, 2017, 28(9): 2975-2983. http://d.old.wanfangdata.com.cn/Periodical/yystxb201709026 Li S X, Zhi J R, Yang G M, et al.Resistance of bean leaves induced by exogenous jasmonic acid and its effects on activities of protective and detoxification enzymes in Frankliniella occidentalis[J]. Chinese Journal of Applied Ecology, 2017, 28(9): 2975-2983. http://d.old.wanfangdata.com.cn/Periodical/yystxb201709026
[33]	程红, 严善春.柳蛎盾蚧危害与丁香防御蛋白活力的关系[J].林业科学, 2013, 49(8): 81-88. http://d.old.wanfangdata.com.cn/Periodical/lykx201308012 Cheng H, Yan S C.Relationship between the Lepidosaphes salicina-caused damages and activities of leaf defensive proteins of Syringa spp.[J]. Scientia Silvae Sinicae, 2013, 49(8): 81-88. http://d.old.wanfangdata.com.cn/Periodical/lykx201308012
[34]	赵爱平, 孙聪, 展恩玲, 等.蛋白酶抑制剂对梨小食心虫幼虫中肠蛋白酶活性的影响[J].昆虫学报, 2016, 59(10): 1069-1078. http://d.old.wanfangdata.com.cn/Periodical/kcxb201610005 Zhao A P, Sun C, Zhan E L, et al.Effects of protease inhibitors on the activities of midgut proteases of larval Grapholitha molesta (Lepidoptera: Tortricidae)[J]. Acta Entomologica Sinica, 2016, 59(10): 1069-1078. http://d.old.wanfangdata.com.cn/Periodical/kcxb201610005
[35]	张凯, 徐波, 孟昭军, 等.铜、镉胁迫对杨树叶片中防御蛋白活性的影响[J].东北林业大学学报, 2014, 42(11): 43-46. doi: 10.3969/j.issn.1000-5382.2014.11.011 Zhang K, Xu B, Meng Z J, et al. Effect of copper and cadmium on defensive protein activity in poplar leaves[J]. Journal of Northeast Forestry University, 2014, 42(11): 43-46. doi: 10.3969/j.issn.1000-5382.2014.11.011
[36]	Kazemidinan A, Thomaschky S, Stein R J, et al. Zinc and cadmium hyperaccumulation act as deterrents towards specialist herbivores and impede the performance of a generalist herbivore[J]. New Phytologist, 2014, 202(2): 628-639. doi: 10.1111/nph.12663
[37]	Cheruiyot D J, Boyd R S, Moar W. Testing the joint effects hypothesis of elemental defense using Spodoptera exigua[J]. Journal of Chemical Ecology, 2015, 41(2): 168-177. doi: 10.1007/s10886-015-0553-2
[38]	姜礅, 王月月, 严善春.银中杨各部位对Cd、Zn、Pb的富集特性[J].北京林业大学学报, 2018, 40(1): 83-88. doi: 10.13332/j.1000-1522.20170191 Jiang D, Wang Y Y, Yan S C. Accumulation characteristics in all parts of Populus alba 'Berolinensis' to cadmium, zinc, and lead[J]. Journal of Beijing Forestry University, 2018, 40(1): 83-88. doi: 10.13332/j.1000-1522.20170191

施引文献(35)

期刊类型引用(13)

1.	柯澳，王宇聪，胡博宇，林琦，李勇，双丰. 基于图像的野生动物检测与识别综述. 计算机系统应用. 2024(01): 22-36 . 百度学术
2.	陈明，王善勤. 基于改进YOLOv5s算法和自适应决策的野猪检测方法. 湖南工业职业技术学院学报. 2024(04): 19-24 . 百度学术
3.	杨帆. 基于人工智能下的野生动物识别研究与应用. 中国高新科技. 2024(16): 72-74 . 百度学术
4.	杨拂晓，费龙，闫泰辰. 基于深度学习的野生动物图像识别研究综述. 北京测绘. 2024(09): 1237-1242 . 百度学术
5.	戴天虹，刘超. 基于改进EfficientDet的雪豹红外相机图像检测方法. 哈尔滨理工大学学报. 2023(02): 108-116 . 百度学术
6.	杨雪珂，蒙金超，冯悦恒，林婷婷，王兆君，刘辉. 基于残差卷积神经网络模型的勺嘴鹬动作识别. 热带生物学报. 2023(05): 481-489 . 百度学术
7.	齐建东，马鐘添，张德怀，田赟. 基于BS-ResNeXt-50的密云地区野生动物图像识别. 林业科学. 2023(08): 112-122 . 百度学术
8.	杨琴，安见才让. 遮挡条件下的动物目标检测方法研究进展. 信息技术与信息化. 2023(12): 189-192 . 百度学术
9.	王翰霖，文帅，白俊，李东睿，罗概，林玉成. 红外相机监测目标物种的一种自动化检测方法：以绿尾虹雉为例. 四川动物. 2022(04): 361-369 . 百度学术
10.	李艳杰，召玉龙. 自然保护区亚洲象活动行为监测方法研究. 绿色科技. 2021(22): 63-64+79 . 百度学术
11.	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法. 计算机工程与应用. 2020(07): 221-227 . 百度学术
12.	谢将剑，杨俊，邢照亮，张卓，陈新. 多特征融合的鸟类物种识别方法. 应用声学. 2020(02): 199-206 . 百度学术
13.	宫一男，谭孟雨，王震，赵国静，蒋沛林，蒋仕铭，张鼎基，葛剑平，冯利民. 基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例. 兽类学报. 2019(04): 458-465 . 百度学术

其他类型引用(22)

资源附件(0)

图(4) / 表(1)

计量

文章访问数: 1264
HTML全文浏览量: 405
PDF下载量: 20
被引次数: 35

1. 材料与方法
1.1 野外环境下野生动物监测图像数据库的建立
1.2 基于目标检测技术的野生动物区域自动检测分割
1.3 基于VGG16的训练网络
2. 基于全局-局部的双通道VGG16野生动物自动识别
3. 实验和结果分析
3.1 野生动物目标检测器训练
3.2 双通道卷积神经网络模型训练
3.3 不同CNN网络结构的对比实验
3.4 算法性能评估实验
4. 结论

1. 材料与方法
1.1 野外环境下野生动物监测图像数据库的建立
1.2 基于目标检测技术的野生动物区域自动检测分割
1.3 基于VGG16的训练网络
2. 基于全局-局部的双通道VGG16野生动物自动识别
3. 实验和结果分析
3.1 野生动物目标检测器训练
3.2 双通道卷积神经网络模型训练
3.3 不同CNN网络结构的对比实验
3.4 算法性能评估实验
4. 结论

参考文献(38)

施引文献(35)

资源附件(0)

锌胁迫对银中杨生长发育和化学防御的影响

作者简介: 姜礅，博士生。主要研究方向：昆虫化学生态。Email: 821880041@qq.com 地址：150040 黑龙江省哈尔滨市和兴路26号东北林业大学林学院

责任作者: 严善春，教授，博士生导师。主要研究方向：昆虫化学生态。Email: yanshanchun@126.com 地址：同上

计量

出版历程