春季果树病中害防治要点

人工防治①清除果园内及周围的杂草和残枝落叶,并进行深埋或焚烧.②于萌芽前刮除苹果、梨腐烂病,干腐病疤,并涂抹腐必清或腐植酸铜水剂,防治苹果、梨腐烂病,干腐病.③在4月上旬,对成龄苹果、梨进行刮树皮,清除枝干轮纹病斑及在树皮裂缝中越冬的红蜘蛛、蚜虫、卷叶蛾等.清除桃、李、杏等枝干上蚧壳虫.     

基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。     

基于YOLOv5-C的广佛手病虫害识别

【目的】为实现复杂背景下广佛手发病早期的病虫害快速精准识别,提出一种基于YOLOv5-C的广佛手病虫害识别方法。【方法】使用YOLOv5s网络模型作为基础网络,通过引入所提出的多尺度特征融合模块,提高网络模型的特征提取与特征融合能力,均衡提高每一类广佛手病虫害的识别准确率;使用注意力机制模块提高网络模型对病虫害目标特征信息的关注度,弱化复杂背景的干扰信息,提高网络模型的识别准确率;利用改进的C3-SC模块替换PANet结构中的C3模块,在不影响网络模型识别性能的条件下减少网络模型的参数。【结果】基于YOLOv5-C的复杂背景下的广佛手病虫害识别,F1分数为90.95%,平均精度均值为93.06%,网络模型大小为14.1 Mb,在GPU上每张图像平均检测时间为0.01 s。与基础网络YOLOv5s相比,平均精度均值提高了2.45个百分点,7个类别识别的平均准确率的标准差由7.14减少为3.13,变异系数由7.88%减少为3.36%。平均精度均值比Retina Net、SSD、Efficientdet和YOLOv4模型分别高22.30、20.65、4.84和2.36个百分点。【结论】该方法...     

苹果枝干病害的综合防治

一、苹果枝干病害的危害：苹果枝干病害包括粗皮病（轮纹病）、腐烂病、干腐病等,不仅造成枝干病变,树势衰弱,而且感染果实和叶片,因此,枝干病害是苹果生产的大敌。     

苹果轮纹病的识别与安全防治

<正>轮纹病是苹果重要病害之一,在山东果区发病株率可达90%以上,树体带菌率居高不下,不套袋富士果实发病率在20%以上,在枝干轮纹病严重发生的果园,病果率大于50%。轮纹病目前已成为山东苹果产业发展的重要限制因子。苹果轮纹病又称粗皮病、轮纹褐腐病,主要危害枝干和果实,偶尔危害叶片。1病害识别1.1果实果实上轮纹病全部是枝干上干腐病斑、马鞍状病斑和轮纹病瘤散发的孢子侵染所致。多于果实成熟期和贮藏期发病,以皮孔为中心,生成水渍状褐色小斑点,形成同心轮纹状,向四周扩大,呈淡褐色或     

河北中部地区苹果,梨主要病虫害危害现状及分析

经过河北省中部地区的２００多个果园进行实际调查和果农问卷调查,了解到目前果园病虫害发生普遍严重,苹果上常发的病虫害的１４种,其中最重要的是轮纹病,腐烂病,碳疽病,叶螨类,干腐病和蚜虫,梨树上常发的病虫害有１５种,其中黑星病,梨木虱,轮纹病,腐烂病和黑心病最为普遍,在１９８５～１９９７年的１３ａ中,苹果轮纹病和斑点落叶病以及梨黑星病和黑心病在１９８６,１９９１,１９９４和１９９５年发生程度严重,金纹     

牛结节性皮肤病病毒基因组学研究进展

【目的】通过调节训练集内实验室场景图片与田间场景图片的分布,提高深度学习模型的准确度, 以减少植物病害识别深度学习模型对田间场景数据的依赖。【方法】通过调节训练集内实验室场景图片和田间 场景图片的分布,使用 ResNeSt-50、VGG-16、ResNet-50 等 3 种神经网络结构分别对训练得到的深度学习模型 进行测试和比较,从而优化植物病害识别模型。【结果】在由一定数量的植物病害图像组成的训练集内,调节 其中不同场景图片的分布会对模型的准确率产生影响。当训练集内的田间场景图片分布达 30% 时,模型准确率 提升 18% 以上。在 100% 实验室场景图片的训练集内添加 30% 田间场景图片,可提升模型准确率 17% 以上;在 100% 田间场景图片的训练集内添加实验室场景图片,模型准确率随图片数量增加而提升,提升幅度为 2%~4%。 【结论】该方法适用于农业复杂环境下高准确度病害识别模型的快速建立,可减少深度学习模型对田间场景数 据的依赖,缩短模型建立初期的田间数据采集周期,降低田间数据采集成本,促进人工智能技术在无人农场及 智慧农业中更有效地运用。     

涂刷七功雷不用刮树皮

“去除病皮不用刀,直接刷药可治好”。苹果枝干轮纹病、干腐病、腐烂病是苹罨树的三种主要枝干病害,特别是红富士苹果枝干轮纹病发生严重且难以防治。2003年以来,我们推广使用了生物农药“七功雷”,用其涂刷枝干轮纹病病瘤和干死病皮、粗老翘皮等部位,可有效防治苹果树腐烂病的发生,     

基于YOLOv4-tiny模型的水稻早期病害识别方法

针对现有的卷积神经网络模型过于依赖设备的计算和存储能力、水稻病虫害形状大小不一、遮挡造成的病害特征显著性弱、漏检率高等问题,采用轻量化、易部署的YOLOv4-tiny模型检测和识别水稻病虫害。首先收集831张4种不同的水稻病害叶片图像样本,为了使模型具有更好的泛化能力,对已有数据进行数据增强,将样本数量扩增到了5 320张。然后构建YOLOv4-tiny轻量化模型,与经典的YOLOv4算法模型相比,其主干特征提取网络CSPDarkNet53模块替换为CSPDarkNet53＿tiny,使用CPSnet进行通道的分割,实现了网络模型的压缩并提高了训练速度;添加了FPN结构,对有效特征层进行特征融合;依据模型评价指标,通过试验将YOLOv4-tiny轻量化网络与经典的YOLOv4网络、Faster-RCNN网络、YOLOv4-MobileNet系列轻量化网络、YOLOv4-GhostNet轻量化网络和SSD轻量化网络进行对比。结果表明,YOLOv4-tiny的平均准确率可以达到81.79%,检测速度可以达到90.03帧/s,模型权重大小为22.4 MB,能够比较精准地识别水稻胡麻斑病、白叶...     

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块（convolutional block attention module,CBAM）,提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明：改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0...     

模式识别方法及其比较分析

在分析模式识别基本概念的基础上,概述了模式识别中的五种基本方法,并对各种方法进行了分析和比较。     

汉语语音识别策略的研究

Based on the demisyllableas the recognition primitive(unit), in this paper, a 3-stage recognition structure is presented. It combines the pattern matching method based on speech production model with the feature rule method based on"knowledge", and permit     

一种基于灰度位平面的林火烟雾图像自动识别方法1）

通常在对林火图像中的烟雾进行识别时,所采用的方法存在需要利用多幅图像对比导致计算量大的问题。通过分析林火烟雾灰度变化情况,采用灰度位平面和林火烟雾区域自适应相结合的方法,提出了一种林火烟雾自动识别的方法。对烟雾图像进行灰度位平面构建,根据不同位平面中呈现的林火烟雾信息进行相关计算,可获得林火烟雾模型。对多幅林火烟雾图像通过该方法进行验证,结果表明,该方法具有较快的识别速度。     

计算机视觉与深度学习在猪只识别中的研究进展

探索人工智能领域新技术与生猪养殖相结合,是当前智慧养殖领域的一个重要研究方向。其中,如何自动地识别猪只个体身份与行为,是当前生猪养殖行业要解决的一个关键问题。为推动计算机视觉和深度学习技术在猪只健康状态智能化监测方面的应用,本文先分析了基于计算机视觉与深度神经网络的人的身份及行为识别模型的研究进展,然后对利用计算机视觉与深度神经网络识别猪只个体身份及行为的方法进行了归纳总结,并指出已有方法中存在的问题,最后提出了下一步的重点研究方向：（1）在猪只运动不可控及关键特征部位受到污染的情况下,准确提取其身份及行为特征的方法研究;（2）针对猪只身份及行为特征的基于计算机视觉的原创性深度学习模型的研究;（3）能够同时检测猪只身份及行为的多任务神经网络的研究;（4）适用于多场景的基于基础姿态及动作的通用型猪只行为识别方法的研究;（5）基于边缘计算的猪只个体身份及行为识别的部署方法研究。     

种子质量问题与非质量问题的识别

阐述种子质量问题与非质量问题的区别,引导用种者购买种子时必须注意的4个方面问题:根据自己的需求选择包装;买标签齐全的种子;买合格优质的种子;买适宜当地种植的种子。     

基于连续隐马尔柯夫模型的模式识别技术及其应用

对利用基因算法训练连续隐马尔柯夫模型的语音识别的具体算法进行系统的研究；然后基于该语音识别技术对深圳市司法局社区矫正声纹识别系统进行详细设计。该系统上线后的运行结果表明，利用基因算法训练连续隐马尔柯夫模型的语音识别算法的识别速度较快同时具有较高的识别率。基于模式识别技术的司法社区矫正声纹识别系统建设在我国司法系统目前尚处于起步阶段，推广和建设司法社区矫正声纹识别系统具有重要的现实意义。     

基于改进Mask R-CNN的奶牛个体识别方法研究

目的 针对传统奶牛养殖中采用人工识别奶牛个体的方法效率低且主观性强的问题，提出一种基于改进Mask R-CNN的奶牛个体识别方法。方法 该方法对Mask R-CNN中的特征提取网络结构进行优化，采用嵌入SE block的ResNet-50网络作为Backbone，通过加权策略对图像通道进行筛选以提高特征利用率；针对实例分割时目标边缘定位不准确的问题，引入IoU boundary loss构建新的Mask损失函数，以提高边界检测的精度；对3000张奶牛图像进行训练、验证和测试。结果 改进Mask R-CNN模型的精度均值(AP)达100%，IoU_Mask达91.34%；与原始Mask R-CNN模型相比，AP提高了3.28%，IoU_Mask提高了5.92%。结论 本文所提方法具备良好的目标检测能力，可为复杂农场环境下的奶牛个体精准识别提供参考。     

基于MATLAB实现的乌梁素海水质等级的模糊模式识别

本文利用基于MATLAB实现的模糊模式识别交叉迭代模型,对分布于乌梁素海2004年5月和7月各水功能区的10个水质监测点的水质等级进行了模糊模式识别,得到各水质监测点水质等级的定量变化及全湖水质等级变化的加权均值,并与乌梁素海同期水质监测指标浓度变化趋势进行对比分析及验证。发现水质等级识别结果与实际情况相符,能够比较准确地反映水质等级定量变化趋势。     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95%的识别率.平均每张人脸图像识别时间为0.14s,表明该算法能符合实际应用的要求.     

计算机视觉技术在猪行为识别中应用的研究进展

中国生猪养殖规模和数量在不断扩大,养殖信息化是今后生猪饲养监管的重要模式。计算机视觉技术作为信息处理的有效辅助技术,提供了一种自动化、非接触式、低成本、高收益且对动物无伤无压力的行为识别方式,可用于考量生猪健康状况并及时预防和发现疾病。介绍了猪行为识别视觉系统,回顾了视觉技术在生猪目标提取和个体识别、行为识别分析中的应用及算法,分析了现存视觉系统及行为识别方法在准确性、有效性与适用性方面存在的问题,提出了视觉系统的改进策略及今后计算机视觉技术在猪体识别和行为识别应用中的重点研究方向。