基于图像和改进U-net模型的小麦赤霉病穗识别

为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练。通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证。结果表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层。与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度。该模型平均精度为0.969 4,损失函数值为0.075 9,平均交并比MIoU为0.799。上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果     

不同基因型小麦品种倒春寒抗性分析及其评价

倒春寒是限制我国黄淮和长江中下游冬麦区小麦高产稳产的重要因素。为了明确黄淮和长江中下游冬麦区24个主栽或近年来审定的小麦品种倒春寒抗性强弱,在拔节期利用人工气候室进行冷冻胁迫处理（两种强度：L1,-4 ℃/1 d;L2,-2 ℃/2 d）,对这些品种叶片受冻指数、幼穗冻伤率、产量等指标进行调查,以鉴选抗倒春寒的小麦品种,同时对品种倒春寒抗性（叶片受冻指数和幼穗冻伤率）与品种冬春性、越冬期抗寒性（叶片受冻指数）和农艺性状（如茎长、茎粗、SPAD等）的关系进行了分析。结果表明,各品种叶片受冻指数、幼穗冻伤率及产量降幅在L1和L2下的表现有所不同。在L1和L2下,淮麦20、江麦816和济麦22的叶片受冻指数、幼穗冻伤率和主茎产量降幅整体上表现较低;而连麦8号、淮麦20、柳麦618和镇麦12的产量降幅表现较低。虽然小麦品种倒春寒抗性、冬春性和越冬期抗寒性间存在密切关系,但单个品种的三者之间并无必然关联。拔节期农艺指标难以反映小麦品种的倒春寒抗性。