龙泉驿区桃树食心虫类害虫发生规律与防治措施探讨

作者通过近几年的调查发现,成都市龙泉驿区桃树上食心虫类害虫已变为以桃蛀螟和梨小食心虫为主,而桃小食心虫在监测中并未发现;对桃蛀螟和梨小食心虫的发生规律及为害情况做了调查监测;结合试验结果,从农业措施防治、物理防治、生物防治、化学防治几个方面探讨了桃树食心虫类害虫的防治措施。     

基于形状因子和分割点定位的粘连害虫图像分割方法

单个害虫的分割是进行害虫特征提取和识别的前提。针对害虫识别过程中出现的粘连等问题,提出了一种基于形状因子和分割点定位的害虫图像分割方法。该方法首先利用形状因子对图像中的每个区域进行粘连判定,然后对判定为粘连的区域进行逐层轮廓剥离和局部分割点的确定,接着根据局部分割点在原区域中搜索边界轮廓的两个分离点,最后连接局部分割点与分离点线段进行害虫分割。通过实验室人工随机散落桃蛀螟Conogethes punctiferalis(Guenée)和田间粘虫板诱捕梨小食心虫Grapholitha molesta(Busck)2种场景采集图像,验证算法的有效性,并与分水岭分割算法进行对比,采用分割率、分割错误率和分割有效性3项指标进行评价,结果表明:针对实验室环境下采集的2组桃蛀螟害虫图像,该文方法平均错误率为7%,约为分水岭分割方法的1/2,平均分割有效率为92.65%,比分水岭算法提高了5.7个百分点;在2组田间梨小食心虫图像分割中,该文方法平均错误率为2.24%,平均分割有效率为97.8%,分别比分水岭方法降低了4.29个百分点和提高了3.95个百分点,说明该文方法在分割准确性和有效性方面都可以获得更好的分割性能,应用于害虫多目标分割与自动识别系统中,可以有效地提高识别精度。     

基于性信息素的梨小食心虫非化防治技术探索

性信息素在国内广泛应用于梨小食心虫的防治研究,取得了一些成果。2014年笔者应用梨小食心虫性信息素开展防治技术探索,研究梨小食心虫发生规律,调查虫果率。结果显示到采果初期当年有3个不明显的峰值,相距30~40 d;3片区虫果率分别为17%、2.9%、4.3%,与设定容忍值5%不尽一致,值得开展持续研究。     

兰州地区混植果园梨小食心虫发生规律及产卵特性调查

在兰州地区梨桃、梨苹果混植果园,利用性信息素系统监测了梨小食心虫的种群发生动态,并调查了梨小食心虫桃寄主的折梢率变化动态及其在不同寄主果树的产卵位置、数量、蛀果率。结果显示,梨小食心虫在兰州地区1 a发生5代,发生期为4月上旬至10月下旬。混植园内梨小食心虫周年发生时序依次为梨、桃、苹果。桃折梢率自5月开始逐渐上升,7月中旬达到极值后开始下降。梨小食心虫不同寄主果实的产卵位置,桃果实以胴部最佳,柄洼次之,萼洼最差;在苹果、梨果实以上胴部最佳,萼洼次之,柄洼最差。建议在兰州地区对梨小食心虫周年进行3次防治,即早春重点防治梨园、5月初重点防治桃园、8月中旬全园喷药。     

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。     

用动态图层融合与纹理-灰度梯度能量模型的果树行识别

为解决果园机器视觉导航中果树行识别易受果园复杂环境干扰的问题,该研究提出一种采用动态选取融合因子对彩色图像与深度图像进行图层融合并采用纹理-灰度梯度能量模型进行图像分割的果树行视觉识别算法。首先,通过搭建立体视觉系统获取果园彩色图像与对应的深度图像,并基于饱和度（S）通道图像的灰度值选取动态融合因子,实现对果园彩色图像与深度图像的图层融合;然后,分别计算融合图像的纹理特征图像与灰度梯度特征图像,并建立纹理-灰度梯度结合的能量模型,基于模型能量最小原则进行树干与背景的分割;最后,以树干与地面交点为果树行特征点进果树行直线拟合,完成果树行角度的识别。并对上述算法分别进行果树行识别试验与移动作业平台视觉对行导航试验。果树行识别试验结果表明,该研究算法果树行角度识别平均偏差为2.81°,与基于纹理、灰度梯度特征的果树行识别算法相比识别平均偏差分别降低2.37°和1.25°。移动作业平台视觉导航试验结果表明,在作业平台速度为0.6 m/s时,对行行驶最大偏差为12.2 cm,平均偏差为5.94 cm。该研究提出的视觉导航算法可以满足果园移动作业平台视觉对行导航需求,研究成果将为基于机器视觉的果园自动导航系统的研究与优化奠定基础。     

果园喷雾机自动对靶喷雾控制系统研制与试验

为提高农药利用率,减少环境污染,该文针对中国果园机械化作业条件差和传统果园喷雾机连续喷雾时存在果树间空隙无效喷雾的特点,设计了自动对靶喷雾控制系统,该系统以GY8履带自走式果园喷雾机为载体,采用传感器测距方式探测果树,实现自动对靶喷雾。通过对超声波、红外和激光3种传感器进行性能比较,及对超声波和激光2种传感器进行静态识别间距测试与分析,红外传感器受光强影响较大,超声波传感器识别间距超过800 mm,均不满足果园精确对靶喷雾控制要求,激光传感器静态识别间距只有20 mm,具有工作稳定、响应快速、方向性好等特点,故将激光传感器选为自动对靶喷雾机探测装置,并将激光传感器安装于喷头组件前方220 mm。采用连续3次检测靶标判别法设计了自动对靶喷雾系统,该系统可有效避免因激光光束较细而导致的将树冠内空洞、枝间间隙等误判为果树间空隙而出现的电磁阀频繁启闭动作。行驶速度为0.5 m/s时,自动对靶喷雾控制系统的动态靶标识别间距介于100~150 mm之间,行驶速度1.0 m/s时,动态靶标识别间距为200~250 mm。此外,该系统还具有提前及延后喷雾功能,自动对靶喷雾系统提前靶标95.0~157.5 mm距离开始喷雾,离开靶标100 mm距离停止喷雾,使喷雾完全覆盖整个树冠。与连续喷雾相比,对靶喷雾可有效节省施药量,对于空隙比为20.0%、35.2%、52.9%靶标行枣树,行驶速度为0.5 m/s时省药率分别达27.9%、53.7%、76.9%,行驶速度为1.0 m/s时省药率分别达27.3%、54.5%、81.0%。因此,该自动对靶喷雾系统对稀疏果园的精确对靶病虫害防治具有较好的实用价值。     

橘小实蝇成虫诱捕监测装置的设计与试验

为了解决现有的害虫机器监测技术与传统的监测手段结合存在的实时监测难度高、信息处理困难、成本高等问题,该文设计研发一种适用于果园环境的橘小实蝇成虫诱捕监测装置用于监测橘小实蝇成虫虫口密度。该装置外观由遮光罩、进虫口、虫口监测区和储虫瓶构成,信号检测模块包括红外光电耦合传感器匹配电路、电压跟随器电路、差分放大电路和迟滞比较器电路4部分。性能测试结果表明:该诱捕监测装置底部储虫瓶有、无遮光处理时,相应的感应电压均值分别为3.923和3.883 V,差异显著(P0.05),且上述2种方式均能使检测探头输出工作在线性区域;虫口监测通道管壁设计成黑、白、蓝3色,在自然光照条件下,管壁颜色对监测探头感应性能无显著差异性(P=0.606);监测区域不同区域位置感应输出响应也无显著差异性(P=0.797),区域位置对监测输出误差影响可以忽略。应用该诱捕监测装置和人工计数方式在橘小实蝇成虫发生高峰期连续5 d 24 h监测成虫虫口密度,结果表明该装置监测相对误差为3%~8%,相比传统的人工计数方式,具有实时、自动化监测的优点,能够满足现有的橘小实蝇成虫长时期数据动态监测的需求,适用于果园橘小实蝇成虫动态监测推广使用。     

基于卷积神经网络的玉米病害小样本识别研究

农作物病害治理对于农作物的产量和品质有着非常重要的影响。本文针对玉米病害人工识别困难、识别过程耗费大量的人力成本和病害数据样本小且分布不均的问题,提出了一种改进的迁移学习神经网络（Neural Network）的病害识别方法。首先,采用旋转、翻转等方法对样本图像集进行数据增强;其次,通过迁移的MobileNetV2模型在玉米病害图像数据集上训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现玉米病害图像识别。另外通过试验对比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和迁移的MobileNetV2这6种模型的训练集准确率、验证集准确率、权重、参数数量和运行时间。结果显示,6种模型验证集的准确率分别为93.88%、95.48%、91.69%、97.67%、96.21%和97.23%,迁移的MobileNetV2的准确率最高,且权重仅有8.69 MB。进一步通过混淆矩阵对比了MobileNetV2和迁移的MobileNetV2两种模型,迁移的MobileNetV2模型识别正确率提升1.02%,训练速度减少6 350 s。本文提出迁移的MobileNetV2模型对玉米病害小样本的识别效果最佳,具备更好的收敛速度与识别能力,同时能够降低模型的运算量并大幅度缩短识别时间。     

利用融合高度与单目图像特征的支持向量机模型识别杂草

除草是保证农作物高产的必要工作。针对机械化除草和智能喷药中存在的杂草识别问题,以2~5叶苗期玉米及杂草为研究对象,进行了融合高度特征与单目图像特征的杂草识别方法研究。首先从单目图像中提取16个形态特征和2个纹理特征;然后基于双目图像,提出了针对植株的高度特征提取方法,所得高度特征与实际测量值间误差在±12 mm以内;利用max-min ant system算法对形态特征进行优化选择,将形态特征减少到6个,有效减少数据量62.5%,并与纹理和高度特征进行融合;将2~5叶玉米幼苗的可除草期划分为3个阶段,分别构建融合高度特征与单目图像特征的SVM识别模型,并与相应不含高度特征模型进行对比。经测试,3个阶段模型的识别准确率分别为96.67%,100%,98.33%;平均识别准确率达98.33%。不含高度特征模型的识别准确率分别为93.33%,91.67%,95%;平均识别准确率为93.33%。结果表明,融合高度特征与单目图像特征的SVM识别模型优于不含高度特征模型,平均识别准确率提高了5百分点。该方法实现了高准确率的杂草识别,研究结果为农业精确除草的发展提供参考。     

基于多源信息融合技术的马铃薯痂疮病无损检测方法

为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。     

基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

四种钻蛀性龙眼梢、果害虫的空间分布及种群动态

在福建省农业科学院果树所资源圃，从1999到2000年对荔枝尖细蛾（Conopomorpha litchielle Bradly)、荔枝蒂蛀虫（Conopomorpha sineusis Bradly)、龙眼亥麦蛾（Hypitima longae Yang et Chen)和桃蛀螟（Dichocrocis punctiferalis Guenee)4种钻蛀性龙眼梢、果害虫的空间分布和种群动态进行调查,结果表明，4种害虫均在向南方位分布较多；荔枝尖细蛾幼虫在5、6、10月以第1代、第2代和第8代分别在龙眼枝梢上形成3个高峰期；荔枝蒂蛀虫幼虫在8、9月以第5、6、7代分别在龙眼枝梢和果穗上形成高峰期；龙眼亥麦蛾在6、7月份以第2代在枝梢和果穗上形成高峰期；桃蛀螟在8、9月份以第3、4代在龙眼成熟期数量最多。     

Remote automatic identification system of field pests based on computer vision

为了实现大田害虫的快速实时识别和诊断,设计了一套大田害虫远程自动识别系统。该系统通过3G无线网络将害虫照片传输到主控平台中,在主控平台中实现远程自动识别。系统首先对害虫图像进行基于形态和颜色特征值的提取。害虫图像的形态特征由周长、面积、偏心率等以及7个胡不变矩共16个特征值组成,颜色特征值由9个颜色矩组成,然后建立支持向量机分类器。采用该系统对6种常见大田害虫进行了测试,平均准确率达到87.4%。考虑到不同的害虫姿态和大田中不同的光照条件,系统的分类效果是满意的。     

基于计算机视觉的大田害虫远程自动识别系统

为了实现大田害虫的快速实时识别和诊断,设计了一套大田害虫远程自动识别系统。该系统通过3G无线网络将害虫照片传输到主控平台中,在主控平台中实现远程自动识别。系统首先对害虫图像进行基于形态和颜色特征值的提取。害虫图像的形态特征由周长、面积、偏心率等以及7个胡不变矩共16个特征值组成,颜色特征值由9个颜色矩组成,然后建立支持向量机分类器。采用该系统对6种常见大田害虫进行了测试,平均准确率达到87.4%。考虑到不同的害虫姿态和大田中不同的光照条件,系统的分类效果是满意的。     

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。