基于深度信念网络的水稻纹枯病识别方法研究

北方寒地水稻纹枯病的危害日趋严重,是困扰水稻种植户的一大难题。为监测该病害的发生,提出了一种基于深度信念网络的病害识别新方法。首先,利用高斯滤波对病害图像进行增强预处理,采用Sobel边缘检测算子提取水稻纹枯病病斑特征;其次,设计并训练了包含3个隐含层受限玻尔兹曼机的深度信念网络,并利用文中提出的深度信念网络对1 500幅水稻纹枯病图像进行识别。7重交叉验证测试结果表明:平均识别准确率高达94.05%,优于常见的BP神经网络和支持向量机识别方法,为准确识别水稻纹枯病奠定了基础。     

基于遗传选择的支持向量机作物病害图像自动识别技术

为了实现作物病害的计算机识别,提出了一种基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法。通过病害图像增强处理,采用基于HIS颜色空间的H分量与大津法(Otsu)结合对病斑图像自动分割,自动提取病斑的特征参数;运用双编码遗传算法优化病斑特征子集,并对其赋予权重,底层构建一对一投票策略的支持向量机分类识别作物病害的方法和途径。应用该方法对烟草病害中多种容易混淆的病害进行实验,结果表明:该方法与没有采用遗传算法的支持向量机相比,在同等条件下,特征向量减少了38%,而正确率却提高了6.29%,具有一定的有效性和实用价值。     

自然场景下低分辨率苹果果实病害智能识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,对获取图像进行预处理,采用改进的水平集交互式分割方法提取病斑。根据病斑特点,提取H,S,V等3个通道的2个低阶颜色矩作为颜色特征,基于灰度共生矩阵提取8个特征参数作为纹理特征,提取病斑的Hu不变矩作为形状特征。在对特征进行优选的基础上,构建支持向量机病害识别模型。实验结果表明,用优选的15个特征和支持向量机识别模型,对3种病害的平均正确识别率达到90%,可以有效识别苹果果实病害。     

支持向量机在黄瓜病害识别中的应用研究

探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM.     

基于颜色特征和支持向量机的黄瓜叶部病害识别

针对黄瓜常见叶部病斑图像的颜色特点,提出了将支持向量机(Support Vector Machine,SVM)应用于黄瓜叶部病害识别中。首先,选择HSI颜色系统作为图像特征提取的颜色空间,以减少光照强度对获取图像时的影响;然后,利用支持向量机进行叶部病害的识别。不同核函数的结果比较分析表明:径向基核函数对黄瓜叶部病害的识别率最高,最适于黄瓜霜霉病、角斑病和白粉病的分类识别;支持向量机识别方法在病害识别时训练样本少,具有很好的分类性能和泛化能力。     

基于压缩感知理论的苹果病害识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,提出了一种基于压缩感知理论的苹果病害识别方法。以轮纹病、炭疽病和新轮纹病3种常见的苹果果实病害为研究对象,提取病斑的8个纹理特征参数组成训练特征矩阵。利用压缩感知理论,求解待测样本特征向量在特征矩阵上的稀疏表示系数向量,通过对系数向量的分析实现待测样本的分类。设计灰度关联分析和支持向量机识别模型与本文方法进行识别效果对比,平均正确识别率分别为86.67%、90%和90%。实验结果表明,基于压缩感知理论的识别方法能够对苹果病害进行有效识别。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

基于多特征融合与支持向量机的葡萄病害识别

以葡萄的黑腐病、轮斑病、褐斑病为研究对象,以应用小样本数据集和避免使用病斑形状特征进行病害识别为研究目标,研究了基于机器视觉和机器学习的葡萄病害识别方法。对葡萄病害图像进行预处理后,提取了RGB颜色矩、HSV颜色直方图特征、GLCM纹理特征、HOG特征共4种特征集,采用级联融合方式得到2 037维葡萄病害特征,并利用支持向量机算法进行识别训练和测试。结果表明,采用4种特征融合的方式在小样本集下能够获得较好的识别准确率,优于仅使用颜色或者纹理特征的识别方法,且能取代融入病斑的形状特征识别方法。     

基于支持向量机和色度矩的植物病害识别研究

针对植物病害彩色纹理图像的特点，提出将支持向量机和色度矩分析方法相结合应用于植物病害识别中。首先利用色度矩提取植物病害叶片的特征向量，然后利用支持向量机分类方法进行病害的识别。黄瓜病害纹理图像识别实验分析表明，利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好；支持向量机分类方法在病害分类时训练样本较少，具有良好的分类能力和泛化能力，适合于植物病害的分类。不同分类核函数的相互比较分析表明，线性核函数最适于植物病害的分类识别。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

沼气发酵液防治水稻白叶枯病和纹枯病的研究

沼气发酵液对于水稻白叶枯病和纹枯病有明显的防治效果。使用沼气发酵液比使用化肥和猪杂肥,水稻白叶枯病的病叶率降低11.29～21.43％、病情指数降低11.86～25.47％,预防效果为48.32～43.42％,治疗作用为17.61～17.92％;水稻纹枯病的病叶率降低9.83～26.16％,病情指数降低了44.94～66.52％;千粒重增加3.08～7.80％,理论产量较单施化肥增加22.22～28.41％。     

基于光谱分形维数的水稻白叶枯病害监测指数研究

针对缺乏有效监测水稻叶片感染白叶枯病害光谱指数的问题，以分蘖期的水稻叶片为研究对象，采集了接种白叶枯病菌的水稻叶片和对照处理的水稻叶片各200片，利用高光谱成像装置获取373~1033nm波段的水稻叶片光谱数据，选取450~900nm波段的水稻叶片高光谱数据作为样本。从每个样本中选取一个感兴趣区域（Region of interest, ROI）并计算平均光谱，经过Savtzky-Golay平滑处理得到平均光谱曲线；为了定量描述水稻叶片是否感染病害，提出将光谱分形维数(Fractal dimension, FD)作为定量描述水稻白叶枯病害的监测光谱指数，实现对白叶枯病害的监测。通过分析光谱指数(Spectral index, SI)和FD，建立SI和FD之间的多元线性关系，同时比较了FD与其他常用监测指数对白叶枯病害监测的有效性。结果表明：水稻白叶枯病害在绿峰（510~560nm）和红谷（650~690nm）波谱内的响应较为敏感；针对健康和感病叶片，FD与SI之间存在较好的多元线性关系，说明FD与光谱曲线有较好的对应关系，可以作为定量描述叶片健康状况的光谱指数；与常用监测指数相比，本文病害监测指数与水稻染病具有更高的相关性，其相关系数达到了0.9840，指数分布稳定性更高。本研究结果说明基于光谱反射曲线的圆规分形维数对判断水稻叶片是否感染白叶枯病害是可行的，为水稻白叶枯病害的监测提供了一种新方法。     

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

3WX-2000HS型自走式喷杆喷雾机施药效果试验初报

为了解自走式喷杆喷雾机对水稻常用病害的防治效果及作业效率,以3WX-2000HS型自走式喷杆喷雾机为例,采用对比试验的方法,调查其防治稻瘟病、穗颈瘟、纹枯病的效果及水稻的产量。试验结果表明,丰茂3WX-2000HS型自走式喷杆喷雾机的施药效果较好,虽然对水稻苗有一定压损,但增产效果明显。     

基于注意力机制与EfficientNet的轻量化水稻病害识别方法

为实现水稻病害图像的快速、准确识别,提出一种基于注意力机制与EfficientNet的轻量化水稻病害识别方法。该方法首先引入轻量级卷积注意力模块(Convolutional Block Attention Module,CBAM)改进Efficientnet-B0中的主体模块轻量翻转瓶颈卷积核(Mobile Inverted Bottleneck Convolution,MBConv),然后利用Ghost模块优化网络中的卷积层,降低网络的参数量和计算量,最后使用Adam优化算法提高网络的收敛速度。在由572幅水稻白叶枯病、稻粒黑粉病、稻曲病、稻胡麻斑病和健康叶片5类水稻图像构成的测试集上,本文所提方法的识别准确率为95.63%,较EfficientNet-B0提高1.75%;分别比同类经典神经网络VGG16、Inception-V3、ResNet101和DenseNet201提高8.39%、4.72%、3.67%和1.05%。本文所提方法模型参数量为4.4 M,较EfficientNet-B0减少2.8 M;相比于对照网络,其参数量仅是这些网络模型参数量的9.05%、18.37%、9.81%和21.64%。试验结果表明：本文所提方法能够实现对不同水稻病害图像的准确、快速识别,而且识别模型轻量,具有较少的网络参数量。     

稻田农业节水栽培配套技术的研究

在湖南攸县、双峰进行的田间试验结果表明 ,稻草覆盖免耕结合浅湿灌溉的稻田农业节水栽培配套技术与传统的栽培方法比较 ,能提早和促进水稻分蘖 ,提高水稻根系活力、功能叶叶绿素含量和干物质的积累 ,降低水稻纹枯病的发生 ,晚稻产量达 8790 kg/ hm2 ,增产率达 10 .2 %;同时 ,能提高灌溉水的生产效率 ,节约灌溉用水量 ,晚稻田灌水次数减少 40 %,每公顷节约灌水量 112 3.5 m3、节省水稻生产成本 5 10元、纯收入增加 1437元。     

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。     

3WP-500G型自走式喷杆喷雾机施药效果试验

为了解自走式喷杆喷雾机对水稻常用病害的防治效果及作业效率,以3WP-500G型自走式喷杆喷雾机为例,采用对比试验的方法调查其防治穗颈瘟、纹枯病、二化螟的防效。试验结果表明,3WP-500G型自走式喷杆喷雾机对穗颈瘟、纹枯病、二化螟的防效较好,且增产效果明显。     

基于脉序骨架的小麦叶精细建模研究

为了实现小麦叶形态结构的三维可视化,基于小麦叶的脉序特征,提出了基于脉序骨架的小麦叶片三维几何建模方法。用B样条曲线表示小麦叶片和叶鞘上的叶脉曲线,用球B样条模拟叶片和叶鞘上的叶脉骨架,再连接已生成的叶脉骨架上相应的点生成叶片和叶鞘上叶脉之间的叶肉,建立了具有明显的叶脉分布和厚度的小麦叶几何模型。该方法可用于其它平行叶脉植物叶片的精细建模,具有较好的真实感。