基于调制荧光检测技术的柑橘黄龙病诊断

【目的】实现柑橘黄龙病的及时诊断,防止病情扩散、保障柑橘生产。【方法】运用基于调制荧光检测技术的超便携式调制叶绿素荧光仪MINI-PAM获取柑橘Citrus reticulata叶片荧光参数,通过概率神经网络对荧光数据进行建模及分类处理,以鉴定并区分健康的、非黄龙病黄化的以及黄龙病的柑橘植株。【结果】该方法对所有类别的诊断准确率均高于76.93%,有些类别分类准确率甚至可达100%。【结论】基于概率神经网络的柑橘黄龙病调制荧光检测技术用于鉴别柑橘黄龙病病情具有一定的可行性和推广性。     

基于区域卷积神经网络模型的广西柑橘病虫害识别方法研究

【目的】研究基于区域卷积神经网络(R-CNN)模型的广西柑橘病虫害识别方法,为提高柑橘重要病症分类和病理检测效率提供参考依据。【方法】设计专用R-CNN模型,采用多层神经网络,通过机器学习算法和神经网络对柑橘黄龙病、红蜘蛛感染和溃疡病等广西柑橘主要病症特征图像进行识别,分析其准确率和空间复杂度。【结果】R-CNN模型对广西柑橘黄龙病的平均识别准确率为95.30%,对红蜘蛛感染的平均识别准确率为90.30%,对溃疡病的平均识别准确率为99.10%,均优于传统机器学习方法中支持向量机算法(SVM)的平均识别准确率(分别为93.20%、88.20%和95.20%),分类效果也优于小型神经网络模型如视觉几何组网络(VGG-19)模型,平均识别准确率分别提高4.25%、4.62%和2.55%。R-CNN模型在较少神经元参数(33层卷积网络)情况下,空间复杂度比SVM和VGG-19模型低,能获得更佳的柑橘黄龙病、红蜘蛛感染和溃疡病识别效果。【结论】R-CNN模型识别是一种对柑橘黄龙病、红蜘蛛感染和溃疡病行之有效的鉴别方法,可在广西柑橘果园大量部署和应用。     

基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究

目的 解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。方法 首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用Mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-X-ResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。结果 采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合Mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。结论 在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;Mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。     

基于高光谱成像技术的柑橘黄龙病病情诊断及分类

【目的】柑橘黄龙病(Citrus Huanglongbing,HLB)是一种无法根治且易扩散的病害,建立柑橘黄龙病病情诊断及分类的方法,以及时发现并去除病株,防止感染其他果树。【方法】基于高光谱成像技术,利用最小噪声分离变换进行降维去噪、像元纯净指数获取纯净像元并建立训练集,通过Fisher判别法对柑橘黄龙病病情进行鉴别并分类。【结果】通过对训练集设置适当的门限值,柑橘黄龙病病情识别正确率达90%以上。【结论】利用高光谱技术进行柑橘黄龙病病情诊断具有较高的可行性。     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的被害棉叶症状识别技术,提高被害棉叶的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别被害棉叶症状图像方面具有重要的应用价值。     

基于残差网络与迁移学习的柑橘类型识别

传统的柑橘分类依靠人工进行辨识再手动完成分拣,整个过程耗费时间且成本高昂。对此提出了一种基于迁移学习与残差网络的柑橘图像分类方法。对Kaggle获取的20738张共8类柑橘的图像按7：3比例进行划分得到数据集。在此数据集上不同网络对于柑橘分类性能差异以及迁移学习对经典卷积模型在图像分类任务中的性能提升进行探究,实验以损失值、精准率、召回率等为性能评价指标。实验结果表明,在多种模型中,残差神经网络能获得比其他网络更高的准确率,使用迁移学习初始化网络参数能显著提高柑橘分类的准确度,降低模型过拟合的概率,实现对8类柑橘的准确识别分类,最终分类准确率达到99.9%,对柑橘分类具有指导意义。     

柑橘黄龙病病原DNA提取方法比较

【目的】筛选出一种快速高效获取柑橘黄龙病病原DNA的提取方法,为黄龙病亚洲种病原的检测奠定基础。【方法】选取5份疑似黄龙病症状柑橘叶片样品,分别采用4种试剂盒（快捷型基因组DNA提取系统、新型植物基因组DNA提取试剂盒、植物基因组DNA提取试剂盒、快速DNA提取扩增套装）及CTAB法提取柑橘叶脉基因组DNA,并用柑橘黄龙病亚洲种的16S rDNA特异引物fD1/fD2和OI1/OI2c进行PCR扩增,DNA提取产物及PCR扩增产物在1%琼脂糖凝胶电泳上检测。【结果】快捷型基因组DNA提取系统获得的DNA质量最好,植物基因组DNA提取试剂盒和CTAB法提取DNA方法提取得到的DNA质量较好,新型植物基因组DNA提取试剂盒所获得的DNA质量较差,快速DNA提取扩增套装所获得的DNA质量最差。除快速DNA提取扩增套装外,其余4种DNA提取方法均扩增出黄龙病亚洲种病原。【结论】快捷型植物基因组DNA提取系统试剂盒操作简单快捷,耗时短,提取的DNA效果较好,能够满足黄龙病病原PCR检测的要求。     

柑橘黄龙病病原DNA提取方法比较

【目的】筛选出一种快速高效获取柑橘黄龙病病原DNA的提取方法,为黄龙病亚洲种病原的检测奠定基础。【方法】选取5份疑似黄龙病症状柑橘叶片样品,分别采用4种试剂盒（快捷型基因组DNA提取系统、新型植物基因组DNA提取试剂盒、植物基因组DNA提取试剂盒、快速DNA提取扩增套装）及CTAB法提取柑橘叶脉基因组DNA,并用柑橘黄龙病亚洲种的16SrDNA特异引物fD1／fD2和01I／012c进行PCR扩增,DNA提取产物及PCR扩增产物在1％琼脂糖凝胶电泳上检测。【结果】快捷型基因组DNA提取系统获得的DNA质量最好,植物基因组DNA提取试剂盒和CTAB法提取DNA方法提取得到的DNA质量较好,新型植物基因组DNA提取试剂盒所获得的DNA质量较差,快速DNA提取扩增套装所获得的DNA质量最差。除陕速DNA提取扩增套装外,其余4种DNA提取方法均扩增出黄龙病亚洲种病原。【结论】快捷型植物基因组DNA提取系统试剂盒操作简单快捷,耗时短,提取的DNA效果较好,能够满足黄龙病病原PCR检测的要求。     

柑橘黄龙病菌对沙田柚田间性状和果实品质的影响

【目的】明确柑橘黄龙病菌对沙田柚Citrus maxima (Burm.) Merr. cv. Shatian Yu田间性状和果实品质的影响。【方法】结合田间调查和室内试验系统研究沙田柚感染黄龙病菌后叶片症状、果实内外品质和风味感官品质的变化,及病菌浓度和树龄对病程发展的影响。【结果】沙田柚嫁接病芽后,黄龙病菌浓度保持在较低水平(Ct28)时,植株叶片的黄龙病症状表现不明显,老叶轻微斑驳黄化,新叶轻微均匀黄化,抽梢正常。与健康植株(Ct35)相比,低黄龙病菌浓度(28Ct32)的植株,叶片症状、果实产量和各品质指标均无显著变化;随着发病程度的加深,高黄龙病菌浓度(Ct26)的柚树叶片出现典型斑驳黄化症状,单株柚果总产量和总结果数显著降低,果实变小变轻,着色不均匀,可食率、出汁率、可溶性固形物含量、甜味度、果肉饱满度和综合风味显著下降,酸味度和异味度反而显著提高,失去食用价值。【结论】沙田柚黄龙病病程进展较慢,但随着发病程度加深,其经济价值受到严重影响。本研究可为评价柑橘黄龙病对沙田柚品质的影响提供科学依据,为解析柚类植物的黄龙病耐性机理提供理论支撑。     

柑橘黄龙病诊断和防控策略探讨

柑橘黄龙病是一种毁灭性的检疫性病害,对广东省龙川县柑橘产业造成极大危害。严重流行时,常使大片柑橘区数年之内趋于毁灭。当前,龙川县很多果园都有黄龙病树,但管理到位的果园发病率不高,管理差、抛荒的柑橘园或水田果园发生较重。2012年,按照广东省植保总站的统一部署,龙川县建立了面积800m2的脐橙黄龙病防控现场,进行了黄龙病症状识别及防控技术应用,保障该县黄龙病防控工作的顺利进行。     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别，得出最优的网络模型，为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象，利用CCD感光相机采集杂草图像样本，构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取，并进行建模与试验。结果 在各深度模型对比试验中，VGG16模型取得了最高精度，其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992，其平均F值为0.954。在所设置的深度模型优化器试验中，VGG16-SGD模型取得了最高精度，其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982，其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中，无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900，而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草，这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义，可以有效地协助农业种植过程中的杂草防治工作。     

基于改进SSD算法的轻量化三七病害检测

【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大，难以实现在移动设备上部署的问题，提出一种基于SSD(Single shot multibox detector)目标检测的改进模型，以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构，采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16)，降低主干网络的参数量与计算量，同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系，构建RFB模块，用该模块替换原SSD模型框架顶部卷积层，从而增强网络深层特征，提高轻量化模型的检测精度与检测速度，实现多尺度三七病害检测。【结果】与SSD模型相比，RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现，改进模型的准确率提高了4.6个百分点，召回率提高了6.1个百分点，F1精度提高了5.4个百分点，单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s，尺寸仅为SSD模型的54.6%。【结...     

滴灌施用噻虫胺防治柑橘木虱研究

【目的】明确滴灌施药防治柑橘木虱Diaphorina citri Kuwayama的可行性,为田间控制柑橘黄龙病传播提供新的手段。【方法】通过室内模拟滴灌施用噻虫胺,测定了噻虫胺在土壤中的分布以及柑橘叶片中含量,研究了滴灌施药对柑橘木虱防治效果。通过田间试验,检测分析了柑橘叶片中噻虫胺含量。【结果】在室内条件下,一次滴灌施药对柑橘木虱的防治效果可长达4个月;噻虫胺在土壤中以滴头为起始点在土壤中呈半圆形迁移分布,当柑橘叶片中噻虫胺质量分数大于0.64 mg·kg–1时,对柑橘木虱的防治效果均高于80%。田间试验表明,在药后7～63 d柑橘上部叶片中噻虫胺的质量分数大于0.64 mg·kg–1。【结论】滴灌施用噻虫胺能有效防治柑橘木虱,是田间控制柑橘黄龙病传播的有效手段。     

利用双通道卷积神经网络的图像超分辨率算法

目的 图像超分辨率算法在实际应用中有着较为广泛的需求和研究。然而传统基于样本的超分辨率算法均使用简单的图像梯度特征表征低分辨率图像块,这些特征难以有效地区分不同的低分辨率图像块。针对此问题,在传统基于样本超分辨率算法的基础上,提出双通道卷积神经网络学习低分辨率与高分辨率图像块相似度进行图像超分辨率的算法。方法 首先利用深度卷积神经网络学习得到有效的低分辨率与高分辨率图像块之间相似性度量,然后根据输入低分辨率图像块与高分辨率图像块字典基元的相似度重构出对应的高分辨率图像块。结果 本文算法在Set5和Set14数据集上放大3倍情况下分别取得了平均峰值信噪比(PSNR)为32.53 dB与29.17 dB的效果。结论 本文算法从低分辨率与高分辨率图像块相似度学习角度解决图像超分辨率问题,可以更好地保持结果图像中的边缘信息,减弱结果中的振铃现象。本文算法可以很好地适用于自然场景图像的超分辨率增强任务。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

目的 引入区域卷积神经网络Faster R-CNN算法并对其改进，以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅，人工标注后对原始图像进行离线数据增强扩充；对Faster R-CNN算法进行适应性改进，在卷积层加入批标准化处理层，引入中心代价函数构建混合代价函数，提高相似病斑的识别精度；采用随机梯度下降算法优化训练模型，分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练，并测试得到最优特征提取网络，利用训练好的模型选取不同天气条件下的测试集进行对比，并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中，以VGG16卷积层结构作为特征提取网络具有更出色的性能，利用测试集图像检验模型，识别结果的平均精度为 0.971 8，平均召回率为0.971 9，F1为0.971 8，总体平均准确率可达97.23%；晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比，平均精度高0.088 6，单张图像检测耗时减少0.139 s；与SSD算法相比，平均精度高0.0425，单张图像检测耗时减少0.018 s，表明在大田环境中具有复杂背景的玉米病害智能检测领域，改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的，具有较高的准确率和较快的检测速度，能够避免传统人工识别的主观性，该方法为田间玉米病害的及时精准防控提供了依据。     

基于深度强化学习的耕作层土壤水分、温度预测

【目的】利用土壤近表面空气温湿度与土壤内部参数的关联关系对耕作层土壤水分、温度进行精准预测，为实现精细化农业种植管理提供服务。【方法】针对土壤耕作层水分、温度预测在训练集获取与模型验证等方面的实际需求，设计了基于嵌入式系统及窄带物联网(Narrow band internet of things,NB-IoT)无线通信技术的物联网数据采集系统。在此基础上基于深度Q学习(Deep Q network,DQN)算法探索了一种模型组合策略，以长短期记忆(Long short-term memory,LSTM)、门限循环单元(Gated recurrent unit,GRU)与双向长短期记忆网络(Bidirectional long short-term memory,Bi-LSTM)为基础模型进行加权组合，获得了DQN-L-G-B组合预测模型。【结果】数据采集系统实现了对等间隔时间序列环境数据的长时间稳定可靠采集，可以为基于深度学习的土壤水分、温度时间序列预测工作提供准确的训练集与验证集数据。相对于LSTM、Bi-LSTM、GRU、L-G-B等模型，DQN-L-G-B组合模型在2种土壤类型(...     

Intelligent diagnosis of northern corn leaf blight with deep learning model

Maize (Zea mays L.), also known as corn, is the third most cultivated crop in the world. Northern corn leaf blight (NCLB) is a globally devastating maize foliar disease caused by Setosphaeria turcica (Luttrell) Leonard and Suggs. Early intelligent diagnosis and warning is an effective and economical strategy to control this disease. Today, deep learning is beginning to play an essential role in agriculture. Notably, deep convolutional neural networks (DCNN) are amongst the most successful machine learning techniques in plant disease detection and diagnosis. Our study aims to identify NCLB in the maize-producing area in Jilin Province based on several DCNN models. We established a database of 985 leaf images of healthy and infected maize and applied data augmentation techniques including image segmentation, image resizing, image cropping, and image transformation, to expand to 30 655 images. Several proven convolutional neural networks, such as AlexNet, GoogleNet, VGG16, and VGG19, were then used to identify diseases. Based on the best performance of the DCNN pre-trained model GoogleNet, some of the recent loss functions developed for deep facial recognition tasks such as ArcFace, CosFace, and A-Softmax were applied to detect NCLB. We found that a pre-trained GoogleNet architecture with the Softmax loss function can achieve an excellent accuracy of 99.94% on NCLB diagnosis. The analysis was implemented in Python with two deep learning frameworks, Pytorch and Keras. The techniques, training, validation, and test results are presented in this paper. Overall, our study explores intelligent identification technology for NCLB and effectively diagnoses NCLB from images of maize.     

基于图像处理和深度迁移学习的芒果果实病状识别

目的 基于计算机层析成像(Computed tomography, CT)设备所得芒果CT序列图像,实现芒果内部品质的无损检测和病状识别分类。方法 利用分段函数法、中值滤波结合双边滤波,实现芒果图像增强;采用局部自适应阈值法,实现二值化处理;采用种子填充法进行区域填充;最后通过差影法准确提取芒果果实内部组织的坏损区域。基于深度迁移学习模型,对未处理和已处理的芒果图像数据开展训练和测试,通过AlexNet和GoogLeNet深度学习网络开展迁移学习,调整超参数完成训练过程的网络微调,在不同模型中对比未处理和已处理的芒果测试集在模型上的分类结果。结果 基于未处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为98.79%和98.41%。基于已处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为100%和100%。深度迁移学习模型在已处理数据集下的模型分类指标较未处理的数据集下有较大的提升。基于同一数据集且超参数一致时,GoogLeNet网络的分类效果明显优于AlexNet网络。结论 设定学习率为0.0002、迭代轮数为3、最小批值为64,基于GoogLeNet网络开展深度迁移学习训练,将所得模型作为最终的分类模型。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图，为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法，对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较；引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN)，对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s，分类精度分别达到89.75%、85.58%和90.25%，CNN对图像的分类精度达到92.41%，高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草，获取杂草的分布信息，生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高，生成的水稻田杂草分布图效果最好。