庆阳设施瓜菜病虫害综合防治技术分析

在遵循“预防为主、综合防治”植保方针的基础上,综合解析农业防治方法（设施品种选择、轮作倒茬、嫁接技术、秸秆生物反应堆技术应用等）、物理防治方法（高温闷棚、药剂熏蒸、防虫板、防虫网、杀虫灯等）、生物农药防治方法及低毒安全化学农药防治方法,以有效提高庆阳设施瓜菜病虫害防治效率,实现设施瓜菜高效、健康可持续发展。     

瓜菜播前种子消毒四法

近年来,随着瓜菜种植面积的扩大和产量水平的提高,瓜菜病害的发生与危害呈逐年加重的趋势,严重影响瓜菜的品质与产量。因此,做好瓜菜播种期种子消毒与土壤处理是保证瓜菜健壮生长,提高产量与品质的重要措施。播前种子消毒,可杀死附着在种子表面的病原菌,对于提高播种质量,培育无病壮苗具有重要意     

便携式蔬菜自动嫁接机的研究

由于蔬菜的生物特性和成长环境特性．连茬病害和低温障碍一直是严重影响设施蔬菜生产的主要问题，在长期的生产实践中，人们发现通过“嫁接”的方法，能够抗病，增产效果显著，是克服设施瓜菜连茬病害和低温障碍的最有效的途径。嫁接广泛用于黄瓜、西瓜、甜瓜、茄子、西红柿的栽培。     

农作物病虫害识别的关键点及应用研究——基于深度神经网络方法

本文围绕农作物病害和虫害检测识别，首先对数据集进行了筛选以剔除不相关数据，其次提出了基于深度神经网络方法的农作物病虫害检测识别算法。实验结果表明此方法对于各类病虫害检测准确率达到93.45%。节约病虫害防治等农业风险管控的人力成本和物资成本，大幅降低因自然灾害而带来的风险和损失，每年可为农户减少因病虫害带来的损失达10%～15%左右。     

农作物病害检测中光谱和图像处理技术现状及展望

精准农药喷洒作业是精细农业中要解决的重要问题之一,喷雾对象的识别和定位是精准农药喷洒作业的核心技术之一。机器视觉与光谱检测是目前最主要的两种自动检测方法。为此,针对国内外在病害检测识别领域研究现状,全面、系统地阐述基于图像处理技术的机器视觉检测法与光谱检测法在病害识别中的研究现状,分析其在病害识别上存在的优缺点。同时,指出今后病害检测的研究方向,使检测系统更具有良好的分割准确性、鲁棒性和实时性,以期实现非结构环境下的病虫害自动检测。     

嫁接机械在天津市设施农业中的应用

一、蔬菜自动嫁接技术介绍 嫁接栽培是克服设施瓜菜连茬病害和低温障碍的最有效途径,抗病、增产效果显著,广泛用于黄瓜、西瓜、甜瓜、茄子、西红柿的栽培。长期以来,由于蔬菜的嫁接技术要求高,操作复杂,这项工作一直是由人工操作来完成,操作速度慢,生产效率低,幼苗的成活率极不稳定。     

基于CBAM-YOLO v7的自然环境下棉叶病虫害识别方法

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法（CBAM-YOLO v7）。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明：蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26ms,可为棉叶病害在线监测提供理论基础。     

设施作物病虫害信息检索与辅助诊断系统

随着设施农业的快速发展,设施作物病虫害的发生和危害也日益突出,生产上需要对其进行识别、诊断和信息查询。基于Windows平台,采用Delphi开发了设施作物病虫害信息检索与辅助诊断系统(IRADS-PCP)。该系统提供了一个开放的树形结构知识库,用于管理设施作物病虫害信息,实现对这些信息不同方式的检索查询和管理功能;通过集成病虫害检索表管理工具,可实现对设施作物病虫害的辅助诊断功能。这一系统的开发和推广应用将有助于设施作物病虫害的识别与防治。     

海南常年蔬菜“设施大棚农机农艺”融合研究

<正>常年蔬菜基地建设是"菜篮子"工程的重要建设内容。海南自2010年起,使用现代农业生产发展资金连年支持瓜菜设施大棚建设。截至2015年底,海南全省常年蔬菜基地总面积近1万hm~2,其中设施大棚建设面积0.16万hm~2。而三亚常年蔬菜基地面积370.47 hm~2,其中设施大棚面积109.2 hm~2。由于受暴雨水淹、高温、台风、人工费用过高及病虫害等不利因素影响,每年6—10月,尤其在     

深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...     

宝应县设施农业的发展情况及思考

1发展现状宝应县的设施农业已初具规模,已建成以泾河设施瓜菜园区、望直港现代农业科技示范园区、柳堡仁里荡生态高效农业园区等为代表的十几个园区;最大的海峡两岸农业合作试验区宝应有机农业核心区也正在建设中,总面积达0.41万hm2。1.1特点一是区域特色化。该县确立了一镇一业,一村一品发展战略,重点是泾河西瓜、安宜蔬菜、水泗荷藕、     

根灌高效节水农业新技术及其应用效果

根灌是一种能将水直接灌到植物根部的高效节水农业新技术，具有抗旱、保水、施肥、改良土壤和防治地下病虫害五种功能。通过与滴灌技术的比较，根灌的优越性在于：治理戈壁沙漠效果显著；种植瓜菜节水高产；用于经济果林速生丰产；种植花卉节水省工。根灌适合于经济林、瓜菜和玉米等，在我国有着广阔的推广应用前景。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

达坂城区防风型日光温室的优化设计

解决制约新疆地区设施农业发展的结构不合理、保温蓄热能力差、抵御灾害性气候能力差等因素,针对鸟鲁木齐市达坂城区自然环境条件,对日光温室结构参数、结构用材选择、温室热负荷计算及屋面承重系统的计算进行分析,开展防风型日光温室优化设计,提出适合大风地区,满足菜、果、瓜多种作物需求的日光温室设计方案,提高设施农业生产结构技术水平。     

田间农作物病虫害检测技术研究进展与展望

在农作物的生产过程中,病虫害对作物的产量和质量会造成严重的影响,故病虫害的有效防治对粮食的高产优产十分重要.然而,目前大部分农户对农作物的病害种类和虫情信息认识不清,导致时常出现误用农药和过量喷药的情况,不仅延误最佳治疗时机,造成经济损失,还会带来生态污染.因此对田间农作物进行病害的准确识别及虫情的准确检测有着重要意义...     

基于迁移学习的农作物病虫害检测方法研究与应用

为了提高农作物病虫害严重程度（健康、一般、严重）的分类效果,采用迁移学习方式并结合深度学习提出了一种基于残差网络（ResNet 50）的CDCNNv2算法。通过对10类作物的3万多幅病虫害图像进行训练,获得了病虫害严重程度分类模型,其识别准确率可达91.51%。为了验证CDCNNv2模型的鲁棒性,分别与使用迁移学习的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型进行对比试验,结果表明,CDCNNv2模型比其他模型的平均精度提升了2.78~10.93个百分点,具有更高的分类精度,病虫害严重程度识别的鲁棒性增强。基于该算法所训练的模型,结合Android技术开发了一款实时在线农作物病虫害等级识别APP,通过拍摄农作物叶片病虫害区域图像,能够在0.1~0.5s之内获取识别结果（物种-病害种类-严重程度）及防治建议。     

新沂市高效农业规模化建设情况的调研与思考

近年来．江苏省新沂市围绕农业增效、农民增收,把市场手段与高效服务相结合,以项目农业为突破口,按照“东部花木、南部水产、西部设施瓜菜、中部规模畜禽养殖”的发展思路．积极推进高效农业规模化．不仅有效地提升了农业农村经济发展水平。而且显著提高了农民收入,有力地加快了社会主义新农村建设的步伐。     

农业病虫害智能视频监控系统的构建和应用

为建立一个农业病虫害无线智能视频监控系统,首先提出系统构建的逻辑模型以及在整个病虫害监控、诊断与防治专家系统中的位置,然后给出网络组网的拓扑结构。通过整合智能分析处理模块和数据库设计模块,开发系统集成软件管理平台。通过该系统可以实现农作物病虫害的远程数据采集、自动监控、智能检测和远程管理,从而可以精准分割出农作物生长过程中的病害和虫害,为后续的病虫害特征提取与识别打下良好的基础。     

基于深度学习的柑橘病虫害动态识别系统研发

柑橘是我国重要的经济林果之一,因种植区多在山区坡地,病虫害防治给管理带来了很大困难,在线监测与专家决策成为现代农业发展的方向。本文采用物联网技术和深度学习方法,基于尺度可变视频流信息,设计并构建了一套基于柑橘叶片的病虫害动态识别系统。该系统实现了全方位智能控制,解决了实时叶片图像变形和尺度缩放等问题,实现了柑橘图像的动态采集和智能识别。叶片检测的MAP达到87.72%,病害识别准确率达到95.46%,系统运行结果表明,该系统可有效实现柑橘智能监控的管理,为病虫害物联网监控提供参考。     

基于改进YOLOv5的草莓病害智能识别终端设计

为实现低成本、便捷、高效的草莓病害识别与检测,提升草莓种植与生产效益,在YOLOv5模型基础上,引入高效通道注意力(Efficient Channel Attention, ECA)机制,研究构建一种草莓病害识别模型,应用嵌入式与软件工程技术研发草莓病害识别终端设备。终端设备应用系统由图像采集、图像检测、检测结果展示和数据传输等模块组成,实现草莓图像实时采集和病害实时识别检测等功能。基于草莓病害检测数据集对系统开展测试,结果表明,该系统可以有效识别草莓白粉菌果病、角斑病、叶斑病等病害。与YOLOv5相比,AP0.5∶0.95、AP0.5、AP0.75、APM、APL都有比较大幅度提升。系统具有高效、便捷、实时等优点,可广泛应用于草莓生产领域,从而有效提升草莓病害识别与检测效率。