基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

新乡市优质小麦发展实施方案

新乡小麦享誉全国,优质小麦品种种植面积占全市小麦种植总面积的85%以上。为持续推动新乡优质小麦产业化,新乡市政府部门结合新乡市实际,从目标、途径、措施等方面制订了详细的方案。     

茄子黄萎病识别及绿色防治

茄子黄萎病是危害茄子的主要病害之一,一般田块发病株率10%~15%,严重田块发病株率50%~70%,导致产量大幅降低,甚至绝收。现就茄子黄萎病的症状识别、发生条件、发生规律及绿色防控技术介绍如下。1症状茄子黄萎病俗称半边疯、半边黄、黑心病,该病在苗期发病很少,多在结果后表现症状,叶片是症状最直观的表现部位,发病初期近叶柄的叶缘部叶脉间褪绿,晴天高温时萎蔫,夜间或天气转阴时恢复,随着病害的发生发展。     

天牛防治技术综述

近几年周边地区时常有天牛危害,林农经常问及天牛防治方法,笔者根据工作中防治天牛的经验,对使用过且可行的方法和被害树挽救方法进行整理,个人分析其优缺点、注意事项、存在问题和适应情况,以期能为防治天牛提供参考意见。     

促进绿色未来的全球木材科学与技术研究进展——国际林联第25届世界大会木材议题综述

国际林业研究组织联盟（IUFRO）第25届世界大会于2019年在巴西召开。文中从木材生长、木材性质与质量、木材识别、木材加工利用和木文化5个方面分别论述了这次大会在木材科学与技术领域的国际最新研究热点与进展，以反映全球木材科学的研究现状，并梳理学科发展方向。木材形成、木材质量、木材高附加值利用、木材识别新技术等议题依然是木材科学与技术领域的未来研究热点。     

城乡结合区域农牧业产业发展与产业结构调整对策

本文从基本情况、区域优势、农牧业产业发展制约因素、目前主要产业等4个方面介绍了阿鲁科尔沁旗城乡结合区域发展现状,分别阐述了城乡结合区域农牧产业发展与产业结构调整思路和目标,并提出了发展对策,以期为促进阿鲁科尔沁旗城乡结合区域经济发展提供参考。     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。     

茄子病害的分类识别及综合防治技术探讨

茄子是我们日常餐桌上比较常见的一类蔬菜。由于市场的需求量相对较大,近年来很多农户在产业结构调整背景之下,将茄子作为主要的蔬菜种植品种,获得了较好的经济效益。茄子属于能够持续采收的蔬菜,但在长时间生长发育过程中,也很容易受到多种病虫害的威胁。对于大棚蔬菜来说,病虫害的防治效果在一定程度上决定了最终的采收效益。茄子生育周期相对较长,在整个发育阶段会受到多种病害的威胁,所以就要求种植人员认真掌握茄子常见病害的流行特征,发病现状,针对常见病害的发生流行特点,及时采取措施进行综合性的防控,保证茄子的品质,增加种植户的经济效益。