烟叶蛾虫食诱剂对鳞翅目害虫的防治效果

[目的]评价烟叶蛾虫食诱剂(食物诱集剂)对烟草鳞翅目害虫的田间诱集捕杀效果。[方法]通过在烟草田间设置诱捕箱,并借助添加微量杀虫剂(灭多威),研究了烟叶蛾虫食诱剂"烟叶宝"对烟草田间烟青虫、斜纹夜蛾、甜菜夜蛾3种鳞翅目害虫的诱集捕杀效果。[结果]"烟叶宝"对烟田中烟青虫、斜纹夜蛾、甜菜夜蛾等鳞翅目害虫具有较好的诱集捕杀效果,并在控制3种害虫的种群数量方面起到了良好作用。[结论]使用"烟叶宝"防治烟田鳞翅目害虫具有操作简便、高效、低毒、烟叶未直接吸收、提升烟叶食用安全性等优点,有望进一步开发。     

基于改进YOLOv4的林业害虫检测

为了提高林业害虫检测的准确性,提出一种基于YOLOv4的改进算法。首先,基于智能害虫捕捉装置拍摄的图像,制作害虫数据集,采用K-means算法对样本数据集的目标框进行聚类分析,基于DIoU-NMS算法实现对害虫的计数功能;然后,在模型的路径聚合网络（PANet）结构上增加特征融合和104×104层级特征检测图,以提升对小个体害虫的识别率;最后,根据模型检测效率和复杂度,调整模型中的尺度特征图组合,在保证检测准确度的基础上,提升检测效率,并精简模型。试验结果表明,改进的YOLOv4模型的平均识别精度比传统YOLOv4模型提高了1.6百分点,且对于小个体害虫的识别效果更好,模型复杂度和模型参数量分别减少了11.9%、33.2%,检测速度提升了11.1%,更适于应用部署。     

基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究

【目的】智能虫情测报灯诱捕到的农业害虫因种类繁多、虫体姿态多样、鳞片脱落等原因造成有些害虫图像存在种间相似和种内差异的现象。为了提高农业灯诱害虫识别率,针对YOLOv4检测模型检测到且容易混淆的19种灯诱害虫,本文提出了基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型。【方法】首先,根据灯诱害虫外观图像的相似性和检测误检的情况,将19种害虫分为6类;将所有害虫图像通过补边操作使得长宽相等,并缩放至统一尺寸224×224像素。为了提高模型的鲁棒性和泛化能力,对害虫图像进行镜像翻转、旋转180度、高斯噪声和均值滤波的数据增强,训练集、验证集和测试集样本量按照8:1:1比例划分。然后,针对6类19种农业灯诱害虫细粒度图像,建立了基于双线性注意力网络的农业灯诱害虫识别模型（bilinear-attention pest net,BAPest-net）,模型包括双线性特征提取、注意力机制和分类识别3个模块;通过修改特征提取模块的下采样方式提高特征提取能力;添加注意力机制模块让整个模型更关注于局部细节的特征,将双线性结构中的上下两个注意力机制的输出进行外积运算增加细粒度特征的权重,提高识别的准确性和学习效率;模型优化器使用随机梯度下降法SGD,分类模块中使用全局平均池化,旨在对整个网络从结构上做正则化防止过拟合。最后,在同一个训练集训练VGG19、Densenet、ResNet50、BCNN和BAPest-net 5个模型,对6类相似的19种农业灯诱害虫进行识别,以精准率、Precision-Recall（PR）曲线和平均识别率作为模型的评价指标。【结果】BAPest-net对6类相似的19种农业灯诱害虫平均识别率最高,达到94.9%;BCNN次之,为90.2%;VGG19模型最低,为82.1%。BAPest-net识别的6类害虫中4类鳞翅目害虫的平均识别率均大于95%,表明该模型能较好地识别出鳞翅目害虫。测试结果中仍存在少数相似度较高的害虫误判,特别当害虫腹部朝上或侧身,种类特征不够明显的时候容易引起相似害虫的误判。对于区分度较低的相似害虫需要更多的训练样本以获取更多的特征,提高模型的识别率和泛化能力。【结论】基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型可以自动识别6类相似的19种农业灯诱害虫,提高了农业灯诱害虫自动识别的准确率。     

智能风吸式太阳能杀虫灯在蔬菜上的应用效果

杀虫灯是田间害虫绿色防控中物理防治的主要措施之一,为了解瑞丰牌智能风吸式太阳能杀虫灯对蔬菜害虫的诱杀效果,2021年在深圳市龙岗区、坪山区和大鹏新区3个蔬菜种植区进行诱杀试验,分析其诱虫种类和应用效果。试验表明智能风吸式太阳能杀虫灯诱捕到昆虫种类和数量以害虫为主,害虫数量占比85%,涵盖了18种危害蔬菜作物的害虫,其中鳞翅目夜蛾科害虫占48.51%。甜菜夜蛾、斜纹夜蛾和小菜蛾是深圳市蔬菜种植区杀虫灯诱虫量最多的蔬菜害虫,通过数据分析得出甜菜夜蛾和斜纹夜蛾发生盛期在4月中下旬-和8月上中旬,小菜蛾成虫发生盛期在3月中下旬-7月上中旬。智能风吸式太阳能杀虫灯可大量诱集蔬菜害虫,并具备虫情监测的功能,设备使用过程中体现出高便捷性、高稳定性和高安全性,可大面积推广使用。     

绿色防控技术在蔬菜生产上的推广应用研究

为推进绿色防控技术在蔬菜生产上的推广应用,就频振式杀虫灯、性诱剂和黄板对蔬菜田害虫的诱杀效果进行了研究。结果表明,频振式杀虫灯对鳞翅目和鞘翅目蔬菜害虫(如斜纹夜蛾、甜菜夜蛾、金龟子等)的诱杀效果最为明显,且对各种害虫的天敌伤害少,可有效保护天敌;性诱剂可大量诱杀斜纹夜蛾、甜菜夜蛾等蛾类害虫,能有效降低幼虫虫口密度,控制田间幼虫为害;黄板对黄条跳甲、白粉虱等微小害虫的成虫有较好的控制作用,能有效降低蔬菜上微小害虫的虫口密度。     

十字花科蔬菜主要害虫防控技术

十字花科类蔬菜主要有白菜、萝卜、花椰菜、甘蓝、包菜等,种植过程中鳞翅目害虫较多。为了人们的健康和市场的需求,达到高效防治、农药低残留和减少用药次数的目的,有效控制害虫,我们以江苏省沛县地区花椰菜为列,对主要鳞翅目害虫的发生规律、习性及危害特点和防控技术进行简要探讨。一、主要害虫发生规律1.斜纹夜蛾和甜菜夜蛾在沛县地区年均发生5~6代。两种害虫的生长发育温度范围为15~42℃,相对湿度范围为75%~95%。进入7月份田间     

基于改进YOLOX-s的田间麦穗检测及计数

麦穗检测与计数关乎小麦的产量预估与育种，估算小麦产量的重要指标之一就是单位面积穗数，如何准确检测单位面积穗数对于农业生产管理决策有着重要的指导作用。因此本研究提出了基于改进的YOLOX-s的田间麦穗检测方法对麦穗进行精准识别与计数。首先，选取多个国家的不同品种小麦图像，使用图像增强、数据清洗等方法建立全球小麦图像数据集。其次，在YOLOX-s的基础上根据麦穗图像的特点，重新设计了特征提取网络的深度，同时加入注意力机制，充分提取麦穗特征。将SPP模块替换为SPPF模块，在提升推理速度的同时，不降低模型性能。通过全球小麦图像数据集进行模型训练，并使用实地拍摄的麦田图像对模型进行测试。试验结果表明：通过全球小麦图像数据集的训练，改进的YOLOX-s网络模型的mAP达到了89.03%,精确度达到了91.21%。在实拍的麦田图像中，计数准确率达到了97.93%,平均单幅图像计数为0.194 s,单株小麦识别速度为2.8 ms,检测速度较YOLOX-s提升30.2%,计数速度优异，麦穗定位准确。     

溴氰虫酰胺防治3种鳞翅目害虫的田间药效试验

进行100 g/L溴氰虫酰胺OF防治十字花科蔬菜主要鳞翅目害虫（小菜蛾、菜青虫和斜纹夜蛾）的田间药效试验,结果表明：100 g/L溴氰虫酰胺OF以每667 m2 1.0 ～ 1.4 g剂量喷雾施药,能有效控制十字花科蔬菜主要鳞翅目害虫的为害,可以在生产上推广应用.     

面向移动终端的农业害虫图像智能识别系统的研究与开发

【目的】农作物田间害虫种类繁多,存在种间相似和种内差异的现象,容易混淆。本研究开发一个面向移动终端的农业害虫图像智能识别系统,为广大农户和基层测报人员提供一个便捷准确的农业害虫智能识别工具。【方法】农业害虫图像智能识别系统包括装有系统APP的移动客户端、服务器和基于深度学习的农业害虫识别模型。APP是在Android环境下开发的,可安装于Android系统的移动设备中。APP包括登录模块、害虫信息查询模块、害虫智能识别模块、害虫地图标记模块和害虫专家远程鉴定模块,UI界面采用底部导航栏形式。移动终端与服务器间的信息交互采用HTTP协议,害虫采集地信息显示使用百度的Android地图SDK来实现,用户和害虫信息使用MySQL数据库进行保存。在相同训练集和测试集条件下,比较了不同深度卷积神经网络模型,筛选出基于DenseNet121的农业害虫识别模型具有最高的精准度和最低的虚警率。农业害虫识别模型的程序部署在阿里云远程服务器上,当服务器端接收到移动客户端上传的害虫图像时,运行害虫识别模型,识别结果通过服务器反馈给客户端,同时将上传的图像和识别结果保存在数据库中,便于害虫图像的追溯。【结果】当用户在农田遇到不认识的害虫时,可通过装有该系统APP的移动设备（如手机或平板）拍摄害虫图像,并上传到服务器,识别结果和害虫防治信息在1—2 s内反馈至用户移动终端的屏幕上,对识别结果不满意还可远程请求专家鉴定。该系统对66种常见农业害虫图像平均识别率为93.9%,平均虚警率为8.2%。【结论】面向移动终端的农业害虫图像智能识别系统实现了66种常见农业害虫信息查询、自动识别,害虫采集地的地图显示和专家远程鉴定等功能。为农民和基层测报人员提供了一个农业害虫便捷准确的自动识别工具,无需专家到田间即可实现了用户“一对一”的防治指导,大大节省了经济和时间成本。     

2％阿维·苏云金杆菌WP防治＋字花科蔬菜鳞翅目害虫田间药效研究

对2%阿维·苏云金杆菌WP进行了防治十字花科蔬菜鳞翅目害虫(以小菜蛾与菜青虫为靶标害虫)的田间药效试验,结果表明,每667 m2用药量为40 g时,药后第3 d与第10 d的防治效果分别达86%以上与88%以上,每667 m2用药量为50 g时,防治效果高达90%以上,且对甘蓝安全,适合于在十字花科蔬菜上作为防治鳞翅目害虫的药剂,具有广阔的推广应用前景.     

基于MSDB-ResNet的水稻病虫害识别

目的 水稻产量关乎全人类的粮食安全,如何有效地预防和高效地检测水稻病虫害是智慧农业领域的重要课题。深度学习由于具备自主学习图像特征等优异性能,成为水稻病虫害识别的首选方法。但在自然环境下,数据集偏小,且容易受到复杂背景的影响,在训练过程中容易产生过拟合,以及细微特征难以提取等问题。本研究致力于解决上述问题。方法 提出一种基于改进ResNet的多尺度双分支结构的水稻病虫害识别模型(MSDB-ResNet)。在ResNet模型的基础上,引入ConvNeXt残差块,以优化残差块的计算比例,构建双分支结构,通过调整每条分支的卷积核大小,提取输入病害图像中大小不同的病害特征。针对现实环境复杂、数据集太小、过拟合等问题,利用从自然环境拍摄到的5932张水稻病虫害图像,使用随机亮度、运动模糊等数据预处理方法,以及镜像、裁剪、缩放等数据增强方法,将数据集扩充到20000张,训练MSDB-ResNet模型识别4种常见的水稻病害。结果 MSDB-ResNet在水稻病虫害数据集上具有良好的识别性能,识别准确率高达99.10%,较原ResNet 模型提高了2.42个百分点,明显优于AlexNet、VGG、DenseNet和ResNet等经典网络。该模型具有良好的泛化能力和极强的鲁棒性。结论 MSDB-ResNet模型在水稻病虫害识别中具有一定的可行性和先进性,可为实现复杂背景下的水稻病虫害识别提供参考。     

稻麦籽粒计数方法研究现状及展望

作物籽粒计数是作物研究中重要的工作之一。本文在总结国内外常用的籽粒计数方法及原理的基础上,对基于计算机视觉的图像分析法、碰撞声音识别法以及基于红外线的颗粒计数方法进行综合比较、分析。结果表明,图像分析法和碰撞声音法操作简单,但易受环境影响;红外计数法被广泛使用,但籽粒下落速度过快时,受光电信息处理电路限制。针对不同的研究需求,采用不同的研究方法是比较合理的选择。     

蔬菜甜菜夜蛾和斜纹夜蛾的识别与防治

从形态特征、为害症状及发生规律等方面介绍了2种蔬菜重要害虫甜菜夜蛾、和斜纹夜蛾识别方法,并从农业防治、物理防治、生物防治、化学防治等方面总结了这2种害虫的防治方法。     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于卷积神经网络的水稻虫害识别方法

为解决人工识别水稻虫害难度大、费时费力的问题,研究了一种自动识别水稻虫害的方法。选取2 500张红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟图片建立数据库,利用深度卷积神经网络提取水稻虫害数据集特征,采用随机梯度下降法训练,得到最优权重文件。测试训练好的模型,并对比Faster-RCNN、SSD和YOLOv3算法的效果。结果表明,YOLOv3算法的平均精度最高,其在红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟5种水稻虫害中分别为97.40%、88.76%、85.74%、92.96%、94.78%,五类水稻虫害mAP为91.93%。与Faster-RCNN算法相比,平均准确率高1.43个百分点,单张图像检测耗时减少853.68 ms;与SSD算法相比,平均准确率高5.56个百分点,单张图像检测耗时减少2.9 ms。选择5类比较具有代表性的水稻虫害图片进行测试,对于叶片遮挡目标和相似背景等情况,YOLOv3算法能够正确识别不会出现漏检错检,且识别准确率大于98%。将YOLOv3算法引入田间复杂情况下的水稻虫害识别是可行的,具有较高的平均准确率以及较快的检测速度,能够准确识别水稻虫害,这对于水稻虫害防治和田间喷药等方面具有重要意义。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

黑光灯诱及性诱对甜菜夜蛾和斜纹夜蛾的测报应用

[目的]探讨黑光灯诱及性诱在甜菜夜蛾和斜纹夜蛾测报中的应用效果。[方法]在太仓市多年开展黑光灯诱及性诱对甜菜夜蛾和斜纹夜蛾的预测预报,分析2种诱虫方式的诱杀效果。[结果]黑光灯诱和性诱2种方式诱量都集中在8、9月,与2种害虫主害代发生期吻合,诱量与发生程度之间呈一定正相关。[结论]对于甜菜夜蛾和斜纹夜蛾,采用黑光灯诱和性诱均能有效开展测报,并且方法简单、实用,值得在蔬菜产区大力推广。     

基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数

针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检。结果表明:改进后Faster-RCNN模型的检测准确率达到90.7%,较未改进的Faster-RCNN模型提高了4.2%,可以运用于昆虫的分类计数。利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体。     

4种常见蔬菜病害预测预报模型研究进展

在梳理常见蔬菜病害预测预报模型研究的基础上,总结了番茄、辣椒、茄子和黄瓜4种蔬菜病害预测模型的研究现状,梳理出预测模型类型有系统预测模型、数理统计回归模型和新型信息技术(高光谱技术模型、BP模型、叶绿素荧光光谱技术等)预测模型。总结出预测模型的4个建模依据原理和4种常见的建模方法,根据以上内容对预测模型进行评价并提出现有预测模型研究中存在的问题。最后对蔬菜病害预测模型的应用前景进行了概述,旨在对未来蔬菜病害预测模型的研究提供参考。