基于高光谱成像技术的玉米弯孢叶斑病的早期检测

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400～1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1d,3种核函数测试集准确率达79%以上,线性核函数在接种第3d,测试集准确率达到88.75%。该研究可以对玉米弯孢叶斑病在未见明显叶斑的早期进行快速、无损检测,为玉米病害的早期检测提供新的思路。     

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。     

基于Caffe卷积神经网络的大豆病害检测系统

以常见的大豆病害图片为样本,研究分析了大豆的叶斑病、花叶病、霜霉病和灰斑病,并利用卷积神经网络技术设计了针对大豆的病害检测系统。通过对病害图片的二值化和轮廓分割等预处理来获得神经网络模型的训练集,并在此基础上对模型进行了多方面的优化,利用Caffe框架对优化后的网络模型进行了识别率等方面的实验验证。此外,为提高模型使用的便捷性,本实验使用了Qt软件为该系统设计了人机交互界面,从而进一步实现了数据可视化。     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

云南天竺葵上发现番茄斑萎病毒

[目的]在云南省昆明市植物园中发现症状表现为叶片褪绿和环斑的天竺葵,怀疑其为番茄斑萎病毒属病毒侵染。[方法]将病叶汁液摩擦接种至本氏烟,显症后取样与原样一起用3种番茄斑萎病毒属病毒的抗体采用Dot-blot ELISA方法进行检测,并用RT-PCR方法对本氏烟叶片进行检测。[结果]接种本氏烟的系统叶片在7 d后表现典型的花叶、卷曲和枯斑等症状,天竺葵病叶和接种显症的本氏烟系统叶Dot-blot ELISA和本氏烟叶片RT-PCR检测结果均表明其病原为番茄斑萎病毒(Tomato spotted wilt virus,TSWV)。RT-PCR产物的测序结果显示其N基因与TSWV-LE分离物核苷酸相似性达99.74%。[结论]天竺葵病样为TSWV侵染所致,这是首次在中国天竺葵上发现TSWV,对该病毒的防治工作具有参考价值。     

基于高光谱图像技术的大豆品种无损鉴别

为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。     

我国农业专家发现苹果花叶新病毒

正近日,中国农业科学院植物保护研究所经济作物病毒病害研究团队与中国农业大学以及日本果树病毒专家合作,利用高通量测序技术从苹果花叶样品中鉴定出一种新的病毒,命名为苹果坏死花叶病毒,并证实这种病毒跟我国苹果花叶病高度相关,颠覆了人们对苹果花叶病病原的常规认知。据悉,该成果为今后苹果花叶病害     

基于高光谱成像和卷积神经网络的‘库尔勒’香梨黑斑病潜育期诊断研究

黑斑病是‘库尔勒’香梨贮藏期的易染病害之一,在潜育期外观无明显变化,很难直接通过肉眼进行准确识别。本研究结合高光谱成像和卷积神经网络（CNN）,实现了‘库尔勒’香梨黑斑病潜育期的识别。获取健康和不同病害程度香梨样品的高光谱图像,提取感兴趣区域内光谱后,利用不同预处理方法对其进行处理,分别基于常规算法（最小二乘-支持向量机、K最邻近法、随机森林）和CNN建立病害识别模型。结果表明,与常规算法建模结果相比,CNN模型的识别效果最优。当卷积层数为3,全连接层数为3,学习率为0.000 5时,CNN模型的识别效果最佳,对样品的总体识别准确率为99.70%,对潜育期样品的识别准确率为99.76%,分别较常规算法提高了12和14个百分点。该结果证实CNN模型能够显著提高对‘库尔勒’香梨黑斑病潜育期识别的准确率,为‘库尔勒’香梨黑斑病的早期诊断防治提供了1种新的方法。     

烟草漂浮苗花叶病毒病重要初侵染源的探讨

烟草花叶病毒病是烟草漂浮苗的一个重要病害.为了解该病的初侵染源,对苗盘和剪叶机进行了调查采样和检测接种.结果表明.病毒污染的苗盘和剪叶机上烟苗残留物样品当季可检测到TMV抗原阳性.温室内存放1年后,苗盘残留物仍然可检测到TMV抗原阳性,且接种枯斑寄主出现枯斑,用带毒苗盘育苗可使烟苗感染TMV.苗盘和剪叶机上残留物TMV抗原阳性与烟草团棵期部分田块花叶病发病率高于20%有关.这些结果表明,病毒污染的苗盘和剪叶机上烟苗残留物是漂浮苗烟草花叶病毒病的重要初侵染源.生产上要重视旧苗盘和剪叶机的清洗与消毒.     

高产夏大豆新品种淮豆9号的选育与栽培技术

淮豆9号(原名淮03-18)是江苏徐淮地区淮阴农业科学研究所于2003年育成的夏大豆新品种。该品种产量高,2005~2006年江苏省淮北夏大豆区域试验平均产量169.62 kg/667m2,比对照泗豆11增产8.20%;2007年江苏省淮北夏大豆生产试验,平均产量189.53 kg/667m2,比对照泗豆11增产8.67%。2008年1月通过江苏省农作物品种审定委员会审定。籽粒蛋白质含量40.6%,脂肪含量19.9%。经接种鉴定,对大豆花叶病毒病流行株系SC3表现抗病,对流行株系SC7中感。田间花叶病毒病抗性0~1级,为中抗。籽粒椭圆形,种皮黄色,种脐褐色,百粒重22 g,外观商品性好,适宜在江苏淮北地区作夏大豆种植。     

辽宁省大豆花叶病的发生为害及毒原鉴定研究

大豆病毒病是大豆生产上的一个重要病害。近年,随着大豆蚜虫为害加剧以及新品种的选育和推广,使大豆花叶病有加重发生和为害的趋势。大豆花叶病毒侵染大豆植株后,常表现轻、重不同程度的花叶、叶脉坏死、叶片畸型、皱缩、黄斑、植株矮化、顶芽枯死及种皮斑驳等症状。品种间病害的发生程度存在差异。据国内报道,大豆花叶病的毒原种类很多,症状复杂。但对本病所造成的损失程度报道较少。为此,我们针对病害造成的产量损失;不同症状与毒原种类的关系及斑驳粒与病毒侵染的关系进行了以下研究工作。     

大豆花叶病对籽粒影响的初步探讨

引言 大豆花叶病是南方和黄淮海大豆产区最常见的一种严重病害,近年来在北方春大豆区亦有发展.大豆花叶病能使籽粒减产25%左右,大流行年甚至大面积绝产.Hartwing等在不同生育期接种试验结果,小区产量四年平均降低12%,减产率因接种时期不同而稍有差别.种子褐斑率为5～90%,在第七节期(V_7),由单叶节向上数第七节叶完全平展的时期接种的,褐斑率最高.种子发芽率由对照的95%下降为88%,与接种时期关系不大.种子带毒率由对照的0.3%增加到1.2～14.6%,在第七节期接种的带毒率最高.籽粒蛋     

烟草漂浮育苗剪叶传播烟草花叶病毒的特点

 采用三抗体夹心法（TAS-ELISA）研究了烟草漂浮苗中烟草花叶病毒（Tobacco mosaic virus, TMV）通过剪叶操作传播的特点。试验表明,剪一次TMV新鲜病叶的带毒剪刀连续剪10棵健康烟苗,剪叶后第30 d花叶病的平均发病率为12.7%。苗盘试验表明, 每剪1盘苗后用漂白粉消毒剪刀1次的情况下,在每盘苗加入6株TMV病苗,剪刀剪叶1次,剪叶后第10 d平均发病率为13.0%~18.3%, 发病株数增加3.5~4.9倍,无症烟苗移栽后15 d,花叶病发病率可达65%~80%。在第1次剪叶前7 d,每盘苗挑选6株用稀释1.0×10^-6倍的TMV病叶汁液摩擦接种,第1次剪叶后13 d（接种后20 d）留下病苗和拔走病苗处理带毒率分别为57.8%和37.8%。第3次剪叶后13 d（接种后47 d）带毒率都达到95.6%。在存在病株的情况下,剪叶传播烟草普通花叶病的效率很高。人工气候箱中,剪叶接种1.0×10^-6 TMV病叶汁液,接种后11~12 d TAS-ELISA可检测出阳性,接种后20~24 d表现花叶症状。     

新疆奎屯垦区大豆花叶病的发生与综合防控

大豆花叶病是众多病害中分布最广、对产量和品质影响最大的病害之一,常造成大豆种质衰退和产量损失。奎屯垦区在大豆引种示范过程,大豆花叶病毒病在部分品种上损失超过35%,严重影响大豆生产,是造成减产的首要病害。探明该病在本地区的发生动态,有的放矢地开展防控研究对未来种植结构调整提供品种和配套技术,保护大豆产业的健康发展至关重要。     

基于BP神经网络对薇甘菊预处理方法的选取

以入侵植物薇甘菊高光谱图像为研究对象,基于4种预处理方法对薇甘菊高光谱图像进行降低噪声处理,分别研究了基于主成分分析的特征提取方法和基于BP神经网络的分类模型,筛选出薇甘菊高光谱识别的最优预处理方法,以实现薇甘菊的快速准确识别。结果显示,预处理方法为一阶、二阶微分的识别率分别为81.2%和76.92%;标准正态变量变换(SNV)和一阶微分+SG平滑的识别率分别为89.74%和87.18%。多次试验得到基于SNV预处理方法的识别率最稳定,即得到最优预处理方法为SNV。     

烟草蚀纹病毒对玉米矮花叶病防治效果的研究

为了研究烟草蚀纹病毒(Tobaccoetch virus,TEV)对玉米矮花叶病(病原为甘蔗花叶病毒(SCMV))的预防效果,在防虫网室内,采用人工摩擦接种病毒的方法进行生物学试验,并用RT-PCR和实时荧光定量PCR技术对预防效果进行了检测。结果表明,经过TEV保护接种后再接种SCMV的植株长势明显优于只接种SCMV的植株,其叶长、叶宽和株高的差异均达到显著水平(P<0.05);在只接种SCMV全部发病10 d后,有13.8%经保护接种的植株叶片开始轻微褪绿,极大地延迟了花叶症状的发生;攻击接种50 d后,经TEV保护接种后再接种SCMV的玉米植株,体内SCMV CP基因表达量为只接种SCMV玉米的0.113 4倍。说明,SCMV能够有效地减轻玉米矮花叶病的发生及危害。     

番茄病害检测识别方法的构建与应用

为提高番茄病害预测预报的时效性和准确率,以DSSD算法为基础,运用番茄病害叶片数据集,采用K-means算法、手肘法与AlexNet、Inception-V3和ResNet101等基础网络模型相结合,构建基于DSSD的番茄病害小目标检测识别方法。结果表明：该检测识别方法识别率达86%,较原始先验框选取方法检测精度提高13.7%;可解决因数据量小而产生的精确度低的问题,有助于在番茄发病初期症状不明显时提早发现病情。     

高光谱图像与卷积神经网络相结合的油桃轻微损伤检测

[目的]油桃表面轻微损伤的快速检测对提高油桃的品质及市场竞争力具有重要作用。[方法]本研究以"中油四号"油桃为研究对象,提出了基于高光谱图像与卷积神经网络相结合的油桃分块损伤区域检测算法。针对原始图像存在的复杂背景及油桃自身颜色特征,采用基于颜色特征的图像分割算法实现油桃与复杂背景的分离。针对损伤部位占比较小的特点,采用分块算法将原始图像分成64×64的块,并为每个分块制作标签(正常、损伤、背景区域),分块数据与其对应标签共同构成试验数据集。构建卷积神经网络模型,将数据输入该模型进行识别。[结果]油桃损伤区域识别率为88.2%。[结论]基于高光谱图像与卷积神经网络相结合的方法可以较准确地实现油桃表面轻微损伤的检测。     

基于光谱和Gabor纹理信息融合的油桃品种识别

为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。     

双孢蘑菇疣孢霉病早期高光谱图像鉴别

双孢蘑菇疣孢霉病是由有害疣孢霉菌Mycogone perniciosa引起的、破坏性极强的真菌类病害,且该病害检测困难耗时,往往导致菇房绝收,菇农收益损失严重。早发现、早处理能够有效解决病害带来的经济损失和农药残留超标等质检问题。因此,本研究将能够快速无损检测的高光谱成像技术应用到双孢蘑菇病害早期鉴别。以双孢蘑菇菌Agaricus bisporus子实体为试材,对健康染病双孢蘑菇生长早期子实体样本采集菌盖的全波段(401～1 046nm)可见/近红外高光谱图像信息,利用多元散射校正(MSC)进行预处理,采用决策树(DT)提取特征波段,对比随机森林(RF)和极限学习机(ELM)两种模型对健康和染病双孢蘑菇鉴别准确度。利用DT选取401.00、951.59、978.09、1 006.59和1 044.90nm为鉴别病害的特征波段。对比RF和ELM所建模型效果,得到MSC-DT-ELM模型检测效果最优,测试集和预测集总体样本鉴别准确度分别为92.39%和91.32%。结果表明,该模型可以有效提高基于全波段的双孢蘑菇疣孢霉病早期的鉴别准确度,得到基于高光谱成像技术的便捷准确鉴别双孢蘑菇病害早期的模型,同时,为进一步开发双孢蘑菇病害早期的多光谱设备提供了理论依据和方法。