利用850hPa气流资料分析稻飞虱迁飞路径

为了分析我国稻飞虱(褐飞虱Nilaparvata lugens，白背飞虱Sogatella fercifera)迁飞的路径，以确定我国各稻区稻飞虱迁人种群的虫源地，本文在综合各种轨迹分析模型的基础上，提出一种计算稻飞虱迁飞轨迹的实用方法。通过实际虫情与气象资料的验证表明该方法可用于稻飞虱及与稻飞虱迁飞行为相似的中小型迁飞昆虫的轨迹分析及异地预测。     

农田飞虱种类及其灯下群落结构的初步研究

本文报道了广西农田飞虱科种类30属56种(同翅目),其中29种广西尚未记载。稻田区的主要种群是褐稻虱(Nilaparvata lugens),白背飞虱(Soga-tella furcifera),灰飞虱(Laodelphax striatellus)和稗飞虱(Sogatella longi-furcifera),蔗田区的主要种群是甘蔗扁飞虱(Eoeurysa flavocapitata)和中华扁飞虱(Perkinsiella sinensis),灯下飞虱群落结构成分主要由褐稻虱和白背飞虱种群组成,次为稗飞虱、褐背飞虱(Opiconsiva nigra),黑边黄脊飞虱(Toya pro-pinqua neopropinqua),拟褐飞虱(Nilaparvata bakeri)和伪褐飞虱(Nilapa-rvata nuiri)。灯下飞虱群落多样性指数以 9月份最高,数量以 7月份最大,群落的多样性与均匀度是极显著正相关,与优势集中性指标是显著或极显著的负相关     

利用dsRNA体外饲喂和转基因水稻饲喂抑制褐飞虱相关基因的研究

RNA干涉技术是研究昆虫基因功能的一种有效的方法.通过人工饲料喂养dsRNA(doublestranded RNA)介导RNAi(RNA interference)在包括半翅目在内的许多目昆虫中取得了成功.而通过转基因植株产生dsRNA沉默昆虫基因仅在鳞翅目和鞘翅目中有报道.本研究通过体外合成褐飞虱(Nilaparvata lugens)两个基因(α-1链微管蛋白-ds1和微管蛋白特异的伴侣分子c-ds10)部分区段的同源dsRNA,体外喂食褐飞虱若虫后导致褐飞虱体内目标基因的下降表达和死亡率的增加.本研究同时构建这两个基因的干涉载体转化水稻(Oryza sativa L.ssp.japonica cv.Zhonghua 11),转基因苗喂食褐飞虱若虫后只有食用了个别转基因家系植株的褐飞虱体内目标基因的表达量有所下降,但是均没有导致虫体死亡.本研究中虽然转基因水稻未能导致褐飞虱的死亡,但是利用体外dsRNA喂食能够降低目标基因的表达量甚至导致褐飞虱的死亡,这预示着可以通过技术改进而达到培育抗褐飞虱转基因水稻的可行性,为后续转基因抗褐飞虱水稻的培育提供了依据.     

基于4种不变矩和BP神经网络的稻飞虱分类

针对稻飞虱远程实时识别采集图像质量不高的问题,研究了基于不变矩提取形状特征值对稻飞虱进行分类。采用自行设计的拍摄装置采集稻飞虱图像,进行灰度化后用大津法二值化,再用数学形态学滤波;对二值图像采用Hu矩、改进Hu矩、Zernike矩和Krawtchouk矩4种不变矩分别提取特征值,再用BP神经网络进行训练和测试,以此检测4种矩的提取效果。试验用Matlab2008验证算法,对白背飞虱、褐飞虱和灰飞虱共300个样本进行了训练和测试,结果表明Krawtchouk矩提取稻飞虱图像形状特征值的识别率最高,总体达到了91.7%。该文可为大田中现场识别稻飞虱提供参考。     

褐飞虱中肠上皮细胞膜结合氨肽酶N在Sf9昆虫细胞内的表达

褐飞虱(Nilaparvata lugens)是中国水稻(Oryza sativa)生产中对水稻危害极为严重的农业害虫之一。随着微生物杀虫剂苏云金芽胞杆菌(Bacillus thuringsis,Bt)的使用及转Bt杀虫基因作物的推广,对Bt不敏感的褐飞虱的防治将成为难点。当前研究表明Cry毒素与靶标昆虫中肠膜结合氨肽酶N(aminopeptidase N,APN)的结合是Bt Cry毒素毒理机制中的重要步骤。本研究对褐飞虱转录组数据中获得的一个褐飞虱中肠apn基因进行全长克隆,构建Bacmid-bphAPN重组杆状病毒载体,并在草地贪夜蛾(Spodoptera frugiperda)卵巢细胞(Sf9)中表达。经Western blot、蛋白质谱及免疫荧光定位检测证实bphAPN蛋白成功表达。细胞毒性实验结果显示表达了褐飞虱中肠APN的Sf9细胞对Cry1Ac活化蛋白不敏感。褐飞虱中肠APN的体外真核表达有助于褐飞虱中肠APN的特征分析,为开发对褐飞虱有毒性作用的新型Cry毒素提供了资料基础。     

准双周大气低频振荡对江岭稻区褐飞虱迁入的影响

探明准双周大气低频振荡对中国褐飞虱迁入的影响,可为褐飞虱的延伸期预报提供重要的参考依据。根据1979-2015年中国105个植物保护站的逐日褐飞虱灯诱资料、同期NCEP/NCAR全球逐日气象再分析资料,筛选出具有典型褐飞虱偏重以上发生特征的年份(2010年),分析江岭稻区褐飞虱迁入量与准双周低频大气振荡之间的关系;利用HYSPLIT轨迹计算模型对迁入典型站点的褐飞虱种群作后向轨迹分析,探讨大气低频流场对褐飞虱迁飞路径和虫源地的影响。结果表明:(1)2010年8-9月江岭稻区褐飞虱迁入量存在显著的10~20d振荡周期;(2)同期850h Pa和925h Pa两个高度的风场、位势高度场及垂直速度场均存在10~20d的显著低频周期,且褐飞虱迁入量的低频振荡与这些大气物理量的低频振荡呈显著相关;(3)前期江岭稻区主要受低频西南风的影响,褐飞虱种群随西南风由西南稻区向江岭稻区输送,后期部分褐飞虱种群随东北风由江淮稻区向江岭稻区输送;(4)褐飞虱种群的后向轨迹模拟计算结果,进一步验证了迁入江岭稻区的褐飞虱的轨迹和虫源地与低频风场的盛行基本一致。     

广西褐飞虱发生特点及其迁飞路径分析

利用1991-2012年广西龙州、玉林、来宾、永福、兴安植保站褐飞虱灯诱虫情资料,对近22a广西褐飞虱发生特点进行分析,并利用HYSPLIT平台模拟褐飞虱迁入高峰日后向轨迹,研究广西褐飞虱的主要迁入路径。结果表明：（1）近22a来,广西5个代表站褐飞虱的迁入始见期、首次迁入高峰期均呈偏早趋势,提前率分别为1.1d·10a-1和1.8d·10a-1;而迁入终见期呈推迟趋势,5站平均推迟率为2.6d·10a-1。（2）偏南路径（包括西南、正南、东南）是广西各稻区褐飞虱春、夏季迁入的主要路径,占春夏季总迁入过程数的94%以上;偏北路径只发生在桂北地区,不到总数的6%;中南半岛、海南岛和广东省是广西褐飞虱春、夏季迁入的主要虫源地。（3）秋季褐飞虱回迁以东北路径为主,兴安站褐飞虱回迁路径中,东北路径占89%,从广东迁入的路径占11%;而龙州站东北和偏东路径共占83%,偏南路径占17%;玉林、来宾、永福3站秋季迁入峰期不明显;江西、湖南、广东等地的稻区是广西褐飞虱秋季迁入的主要虫源地。（4）当7月850hPa高空以偏南气流为主时,会引发广西褐飞虱的灾变性迁入;当7月850hPa高空以偏北气流为主时,褐飞虱发生偏轻。当9月925hPa高空以偏北气流为主时,利于褐飞虱从湖南、江西等地南迁至广西,广西褐飞虱发生偏重,而以偏南气流为主时,发生则偏轻。     

利用显著图构建注意力深度网络检测诱虫板蔬菜害虫

为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.4%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。     

基于改进灰度共生矩阵和粒子群算法的稻飞虱分类

针对稻飞虱远程实时识别采集图像质量不高而无法使用颜色特征的问题,应用灰度共生矩阵提取的纹理特征值对稻飞虱分类进行了研究。采用自行设计的拍摄装置采集稻飞虱图像,经过一系列预处理后得到去掉背景的稻飞虱灰度图像;对灰度图像采用改进的灰度共生矩阵提取纹理特征值,再用反向传播BP(back propagation)神经网络和参数改进粒子群算法优化BP神经网络分别进行训练和测试,以此检验纹理特征值的识别效果和粒子群算法的优化效果。试验用Matlab验证算法,对白背飞虱、灰飞虱和褐飞虱共300个样本进行了训练和测试,结果表明基于参数选择改进粒子群算法优化BP神经网络的识别率总体达到了95%,比直接用BP神经网络的识别率高,而且经过Matlab测试,训练时间只用了0.5683s,说明粒子群算法更满足实时性要求。     

褐飞虱单克隆抗体的制备及其初步应用

应用杂交瘤技术,制备了4株褐飞虱的单克隆抗体,分别命名为3B2、3B11、3H3和4B8,其只与褐飞虱所有虫态发生反应,不与稻田其它主要昆虫和蜘蛛发生交叉反应,具有高度的特异性,应用4B8初步检测浙江大学华家池校区农场稻田蜘蛛对褐飞虱的阳性反应率,其中拟环纹豹蛛,拟水狼蛛和纵条蝇狮的阳性反应率最高,粽管巢蛛,黑肩绿盲蝽次之,狡蛛较低,而八斑鞘腹蛛,跳蛛,肖蛸和食虫瘤胸蛛未检测到阳性反应,拟环纹豹蛛对4B8的阳性反应率与褐飞虱和拟环纹豹蛛种群密度均极显著相关（r=0.612**,r=0.632**)。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。     

基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法

针对当前稻飞虱图像分类研究中存在图像识别速度慢、分类精度低的不足,该文提出一种基于K-SVD和正交匹配追踪(orthogonal matching pursuit, OMP)稀疏表示的稻飞虱图像分类方法。首先,根据稻飞虱的趋光性特点,使用团队自主研发的野外昆虫图像采集装置自动获取稻田害虫图像;然后,利用K-SVD算法对稻飞虱图像特征的过完备字典进行更新构造,结合OMP算法对原始输入图像的特征信号进行稀疏表示;最后,通过求解输入图像的重构误差对昆虫图像进行分类。在相同的试验条件下,与传统的图像分类算法(SVM、BP神经网络)进行比较。实验结果表明,该文提出的基于K-SVD和OMP算法的稻飞虱图像稀疏表示分类方法可对稻飞虱与非稻飞虱进行快速准确的分类,分类速度达到6.0帧/s,平均分类精度达到93.7%。与SVM和BP神经网络相比,分类速度分别提高了5和5.5帧/s;分类精度分别提高了15.7和28.2个百分点,为稻飞虱的防治预警工作提供了信息与技术支持。     

改进RetinaNet的水稻冠层害虫为害状自动检测模型

中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

椪柑果实病虫害的傅里叶频谱重分形图像识别

为探讨植物病虫害互不交叉、重叠的数字典型特征值来进行病虫害计算机识别,研究了椪柑病虫害为害状图像傅里叶变换幅度谱的多重分形特征。首先,用改进型分水岭算法检测病虫害为害状边缘,并对其进行区域合并,形成病虫害为害状边界。其次,对病虫害果进行二维离散傅里叶变换,依据病虫害为害状边界进行图像标记,提取标记区域内的傅里叶变换幅度谱图。最后,对傅里叶变换幅度谱图进行多重分形分析及多重分形谱的二次拟合,将拟合抛物线段的高度、宽度和质心坐标作为病虫害特征值,并以此为输入变量,建立 BP 神经网络椪柑病虫害识别模型来进行病虫害识别,椪柑蓟马、花潜金龟子、吸果夜蛾、侧多食跗线螨、椪柑炭疽病5类病虫害30组测试样本中吸果夜蛾识别正确率最高96.67%,侧多食跗线螨识别正确率最低86.67%,平均正确识别率为92.67%。试验结果表明：傅里叶变换幅度谱图的多重分形谱高度、宽度和质心坐标较精确地刻画了病虫害为害状这类复杂生物体的特征,该方法可进行椪柑病虫害自动识别,并可推广到其他植物的病虫害机器识别中。     

基于改进Mask-RCNN算法的作物害虫分类识别

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题起重大作用,准确的害虫分类识别是给虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,比原Mask-RCNN模型识别准确率平均提高4.7个百分点。对于含杂虫图片,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

融合双分支特征和注意力机制的葡萄病虫害识别模型

葡萄病虫害识别是精细化防治的前提。针对现有研究中存在的数据集少、识别精度低、模型参数量大等问题,该研究构建包含健康叶片、3类病害叶片和16类虫害的葡萄病虫害数据集,提出基于改进MobileNet V2模型的葡萄病虫害识别模型。首先在MobileNet V2模型的反向残差模块中嵌入坐标注意力（Coordinate Attention,CA）机制,提升模型的信息表征能力;然后使用深度可分离卷积设计双分支特征融合模块,加强模型的特征提取能力;最后对模型的通道数进行调整,精简模型结构。试验结果表明：MobileNet_Vitis在葡萄病虫害数据集上的识别准确率和F1分数为89.16%和80.44%,相比改进前的MobileNet V2 提高了1.83和9.31个百分点,而模型参数大小为7.85 MB,减少了8.5%。与ResNet 101、ShuffleNet V2、MobileNet V3和GhostNet相比,MobileNet_Vitis的识别精度和F1分数更高,参数量更小。MobileNet_Vitis对单张葡萄病虫害图像的推理时间为17.53 ms,可以达到快速识别的要求。该研究提出的模型能够较好地识别葡萄病虫害,并且较大幅度地减少模型的参数量。将MobileNet_Vitis模型部署到移动端的小程序上,可为葡萄病虫害的防治提供帮助。