基于卷积神经网络的葡萄叶片病害检测方法

文章采用多角度建议区域Faster-RCNN准确定位图像中葡萄叶片,提出一种基于卷积神经网络的病害检测方法,检测图像叶片病害。相比直接检测图像病害,可去除背景因素对病害区域干扰,降低错误率。结果表明,该算法对自然条件下葡萄病害成像适应性良好。文章统计6种不同条件下拍摄图像,对一般叶片检测算法平均mAP为75.52%,显著高于传统算法。在病害检测时,采用两种策略:从一幅图像中检测到每个单个叶片,或将整幅图像对叶片取掩模后,作为下一级病害检测器输入图像。结果表明,第一种方法,6种常见葡萄病害平均mAP为66.47%,其中褐斑病与白粉病mAP超过70%;第二种方法,病害检测平均mAP为51.44%,但平均检测时间节约75%。两种方法性能均优于在原始图像上直接病害检测方法。     

葡萄病害的实验室检测

葡萄病害的实验室检测对于葡萄园所发生的病害诊断有重要作用，能快速识别出已被感染的材料，检测多种重要的葡萄病毒病，帮助种植者避免病害传播到新的葡萄园。相似的检测法对于由真菌和细菌引起的病害也是有效的。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

一种改进的葡萄叶片自动分割算法

针对不同光照以及不同天气条件造成葡萄叶片图像不能准确分割的问题,提出了一种改进的图割分割算法。采用G/R以及a*颜色特征自动选择叶片目标和背景种子点,利用混合高斯模型对叶片和背景的概率密度分布进行估计;在马尔科夫随机场的基础上,建立像素特征的能量函数;通过求解能量函数最小化对叶片实现了自动分割。对多种不同分割特征的分割效果进行对比试验,结果表明:对于不同时间、不同天气的叶片图像,单一G/R和a*具有较好的效果,分割精度分别达到86.74%和92.38%,若用它们组合为双特征,分割效果会进一步提高,分割精度可达95.03%。     

基于显著性检测的蔬菜鳞翅目害虫图像自动分割算法

提出一种基于显著性检测的害虫图像自动分割算法(S-segmentation算法),首先利用显著性检测方法,结合图像局部区域的颜色距离和空间距离特征,对样本图像作预处理;然后采用无交互式图像分割算法处理显著检测结果图,可实现目标区域的完美分割,避免多次重复设置背景区域.通过对5种鳞翅目幼虫图像进行分割试验,结果表明该算法的分割准确性明显提高,平均分割精确度可达93.14%,较传统图像分割算法提高了约20%,并且复杂度低,运行效率高,分割精确度不受样本数量影响.进一步将该算法应用到体型和颜色多样化的鳞翅目成虫图像分割上,得到的平均分割精确度达到88.22%.     

基于轻量化神经网络的葡萄叶部病害检测装置研制

葡萄叶部病害判别对于葡萄病害防治至关重要,如何快速准确判别葡萄叶部病害并采取相应防治措施对于现代葡萄生产管理具有重要指导意义。因此,为了满足果园葡萄叶部病害的快速识别与检测需求,研制了一款葡萄叶部病害快速识别与检测装置。首先,对原SqueezeNet进行改进,利用3×3卷积替换7×7卷积并减少其数量,同时调整Fire模块中1×1与3×3卷积核比例以及Fire模块位置,以达到降低模型内存需求、参数量的目的。然后,利用采集的葡萄病害图像训练改进模型,并与原模型进行对比分析。最后,将改进模型量化后部署在树莓派4B上进行识别与检测试验。试验结果表明,改进后的SqueezeNet模型内存需求、参数量分别由2.46 MB、125万减少为0.52 MB、64万。与原模型相比,改进模型特征提取能力未出现明显下降,其识别准确率可达99.04%,仅比原模型低0.32百分点。对于真实环境下拍摄的葡萄叶片图像,所研制的葡萄叶部病害快速检测装置识别准确率可达95.75%,视频检测速度可达86帧/s。该装置能够满足果园葡萄病害快速识别与检测需求,可为现代果园葡萄病虫害检测与精准施药作业提供技术支持。     

基于颜色矩的土豆、玉米、苹果叶片病害异常检测

农作物病害是影响粮食产量的重要因素之一。目前,大部分研究以已知病害作为数据来源,使用传统机器学习和深度学习方法进行病害识别与分类,这种模型构建方法需要大量的病害数据,而当新发病害出现时,很可能因为检测不到而错过最佳预警时间。为解决该问题,本文拟提出一种仅使用正常农作物叶片数据集作为训练数据便可检测出叶片病害异常的方法。具体地,本研究提出一种基于k-means++聚类与图像分块的农作物叶片病害异常检测方法,通过图像去噪、图像分割、图像截取等预处理操作后,提取图像的颜色矩特征,对训练集进行k-means++聚类,构建比对模型并设置阈值,从而确定测试集异常与否。试验使用的土豆、玉米与苹果数据集均下载于Kaggle网站。通过调整聚类数与分块数,在土豆、玉米和苹果数据集上,识别准确率分别达到了89%、95%、95%以上,并且在玉米和苹果两种数据集上的漏警率为0。     

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

基于改进Faster RCNN的茶叶叶部病害识别

针对茶园复杂背景下茶叶叶部病害识别较为困难的问题,提出一种基于改进Faster RCNN算法的茶叶叶部病害识别方法.通过对优化区域建议框的特征提取网络VGG-16、MobileNetV2和ResNet50进行比较,选择识别效果较好的ResNet50作为骨干网络,增加模型在茶园复杂背景下对茶叶叶部病害特征的提取能力;融入特征金字塔网络(feature pyramid network,FPN)改善小目标漏检问题和病斑的多尺度问题;采用Rank&Sort(RS)Loss 函数代替原 Faster RCNN 中的损失函数,缓解样本分布不均给模型带来的性能影响,进一步提高检测精度.结果显示:改进模型平均精度均值PmA为88.06%,检测速度为19.1帧/s,对藻斑病、白星病、炭疽病、煤烟病识别平均精度分别为75.54%、86.84%、90.42%、99.45%,比Faster RCNN算法分别提高40.98、44.16、13.9和2.43百分点.以上结果表明,基于改进Faster RCNN算法的茶叶叶部病害识别方法能够弱化茶园复杂背景的干扰,准确识别茶园复杂背景下茶叶叶部病害目标.     

湖南省葡萄扇叶病调查及检测研究

对湘西北、湘南、湘中和湘西等葡萄主产区的扇叶病发病及危害情况进行了调查,并通过生物学和分子生物学的方法对各地区的疑似病株进行了检测。结果表明：在湖南的葡萄主产区,葡萄扇叶病的感病品种较多,在夏黑无核、红地球、金星无核和金手指等品种上均有发生,但湘西的刺葡萄表现出对葡萄扇叶病有一定的抗性;感病症状总体上表现为叶片褪绿、黄化,叶缘锯齿变尖锐或形状不规则,并严重影响葡萄植株的生长,导致树势减弱、产量下降、果实品质变差;生物学检测结果显示,采集的54个样品,其中有52%的样品在千日红和本氏烟草上表现出系统性斑驳和变形;而分子生物学检测结果显示,54个样品中有29个样品检测到葡萄扇叶病病毒,以金星无核和红地球两个品种的检出率较高。     

玉米病害图像分割系统开发

为了提高玉米病害叶片图像分割的准确性和设计相应的图像分割系统,采用迭代阈值分割算法和形态学中的开闭运算相结合的方法对玉米病害图像进行分割,使用VB和MATLAB的混合编程设计开发玉米病害图像分割系统.运行结果表明,该分割方法对玉米病害图像有很好的分割效果.     

水稻橙叶病PCR检测体系的建立

利用植原体通用引物sP1和sP2,采用PCR法从发病的水稻植株中扩增植原体一段保守的16S rRNA基因的核苷酸序列. 结果表明,从发病的水稻植株中都能够稳定扩增得到1条558 bp的特异性条带. 对该条带进行克隆和序列分析表明,该片段和Genbank中公布的众多植原体的相应区域的核苷酸序列相似性都高达95%以上,表明利用植原体通用引物能有效扩增得到水稻橙叶病原的序列. 利用此引物并优化PCR反应条件,建立了水稻橙叶病的PCR检测方法. 该方法对检测水稻橙叶病具有特异、灵敏和有效性. 应用该检测体系检测从广东信宜、高州和从化采集的多份疑似标样,结果表明,在这几个地区均有水稻橙叶病的发生和危害.     

葡萄落叶前叶片细胞亚显微结构的变化

电子显微镜观察结果表明，生长季山葡萄与玫瑰香叶片细胞亚显微结构无明显差异．随着秋季温度的降低，山葡萄叶绿体相互聚集，片层结构稳定，内部淀粉植减少见脂滴增加；液泡膜内陷，形成一些吞噬泡。落叶前，玫瑰香叶绿体中的淀粉粒亦减少，脂滴有增加的趋势，但片层结构清晰度明显下降，末见叶绿体聚集和吞噬泡的形成。     

槟榔黄化病病原及检测方法研究进展

黄化病是一种严重威胁槟榔生产种植的毁灭性传染性病害,目前主要在印度和我国槟榔主产区发生。本文从非生物与生物因素两方面对槟榔黄化病病原认识过程及检测方法进行详细的综述。     

UV-C照射对赤霞珠叶片抗氧化酶系的影响

以酿酒葡萄赤霞珠叶片为试材,采用短波紫外(UV-C,254 nm)照射,初步研究了UV-C照射0,30,60,120,240 min后对葡萄叶片中抗氧化酶系的影响。结果表明,UV-C照射后,随时间的延长,活性氧清除系统中超氧化物歧化酶(SOD)活性和脂质过氧化产物丙二醛(MDA)含量均呈先升高后下降的趋势;过氧化物酶(POD)活性呈先升高后下降再升高的趋势。方差分析结果表明,SOD活性与对照间差异达到显著水平;POD活性与对照间差异达到极显著水平;MDA含量与对照间差异均未达显著水平。     

狮马牌高效全营养叶面肥在葡萄上试验效果

在葡萄四个不同生育期进行叶面喷施狮马牌高效多营养系列叶面肥的试验,结果表明：该营养叶面肥,可明显促进葡萄穗果发育,促使果实膨大,提高粒重、穗重,并提高葡萄第二年萌芽率及果枝率,从而增加葡萄产量,同时还改善果实营养品质和外观品质,提高了商品价值,可提高葡萄生产的经济效益。     

葡萄叶面积的估测法

对葡萄叶面积的估测,采用 A.S.梅里尼克法是行之有效的。但为提高估测的精确度,宜根据具体品种重新确定矫正系数。葡萄叶面积的估测,也可应用回归估计法。其回归方程的建立,应以叶片最大直径为自变量,以实测的叶面积为依变量。当以叶片中脉长度为自变量时所建立的回归方程其估计误差较大。