田间玉米病害防治与种植技术应用研究

研究工作将针对现阶段我国田间玉米的病害防治技术应用做出相应的探索和阐述，并且会结合现阶段田间 玉米主要遇到的病害问题进行相应的研究与方法的提出，希望能够通过该方法的应用为后续的田间玉米病害防治工 作开展提供一定的帮助与参考。     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

黏土矿物组合类型对泥岩盖层排替压力的影响——以三水盆地布三段为例

为研究黏土矿物组合类型对泥岩盖层排替压力的影响,以三水盆地布心组三段(简称布三段)泥岩为研究对象,开展了岩石矿物分析,并针对不同黏土矿物组合的泥岩开展排替压力测试,进而分析排替压力特征及其影响因素.研究结果表明,布三段泥岩有2种不同的黏土矿物组合类型:类型1为伊利石+高岭石+伊-蒙混层组合,主要分布于盆地西北部宝月背斜;类型2为伊利石+高岭石+绿泥石组合,主要分布于盆地东南部东部斜坡-华涌凹陷;布三段1150m左右的泥岩全部样品排替压力介于7.43～13.76MPa,平均值10.25MPa;其中类型1的泥岩样品排替压力介于9.51～13.76MPa,平均值11.40MPa,为一类盖层指征;类型2的泥岩样品排替压力介于7.43～9.68MPa,平均值8.87MPa,为二类盖层指征;当黏土矿物中伊-蒙混层含量升高时,泥岩盖层排替压力较高,封闭能力较强;当泥岩黏土矿物中绿泥石、高岭石含量升高时,泥岩盖层排替压力降低,封闭能力相应降低;这3种黏土矿物的膨胀性、可塑性的排序为伊-蒙混层＞高岭石＞绿泥石,因此其含量对于泥岩盖层封闭性产生直接影响.该研究可为该区有利盖层条件预测和类似岩性盖层研究提供参考.     

基于注意力机制和残差网络的苹果叶片病害分类

苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源，进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率，提出一种残差网络与注意力机制结合的苹果叶片病害识别模型：P-D-ECA-ResNet101。首先构建苹果叶片病害数据集，然后使用常见的4种网络模型在构建的数据集上进行训练，选取训练效果最好的ResNet101为骨干网络模型，通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module, ECA)注意力模块对ResNet101网络模型进行优化，最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明，推迟下采样可以增强模型特征提取能力，拆解大卷积层可以有效减少模型的复杂度，引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病...     

菠萝蜜的养护管理及主要病虫害防治分析

菠萝蜜种植在我国有着悠久的历史,是部分地区最主要的经济产物之一,为有效提升菠萝蜜产量,确保菠萝蜜的健康茁壮成长,就必须要在种植过程中针对果树进行定期养护与管理,并做好病虫害防治工作。对此,本文中笔者将针对广西博白县地区的菠萝蜜种植情况,着重分析具体的养护管理措施与病虫害防治办法,结合具体的菠萝蜜果树病虫害影响因素,提出了园地选择、建园定植、合理施肥以及防冻措施几个养护管理要点。并针对当地常见的花果软腐病、炭疽病、蒂腐病、根病、天牛以及绿刺蛾这几种病虫害,提出了具体的防治方法,包括用药量与用药次数等等。仅供参考。     

嗜线虫致病杆菌抗菌代谢产物Xcn1的研究进展

Xenocoumacin1（Xcn1）是嗜线虫致病杆菌产生的一种水溶性小肽类抗菌化合物，对真菌和细菌具有广谱的抑菌活性，在农业病害防治中具有良好的开发和应用前景。本文综述了Xcn1化合物的合成和降解机制、合成调控机制、抗菌作用机制以及防控植物疫病的研究进展，并展望了高产Xcn1生产菌株的改良和产业化应用前景。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

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。     

黑龙江省水稻主要病害防治技术研究

在前哨农场主要病害调查的基础上,提出在水稻9～9.5叶期,75%戊唑醇·肟菌酯水分散粒剂20 g/667 m~2,用以防治水稻叶瘟;在水稻孕穗期和齐穗期,选用30%稻瘟酰胺·戊唑醇(稻安醇)悬浮剂40 ml/667 m~2+3%多抗霉素100 ml/667 m~2+2%春雷霉素100 ml/667 m~2混配的防治技术,与当地水稻种植户防病技术相比较,结果表明:此项技术对叶瘟的防效高达89.5%,并且可以在水稻生育后期有效控制穗颈瘟、纹枯病、鞘腐病和褐变粒的发生;在产量方面,与常规防治方法相比增产5.35%,说明此项病害防治措施可以有效降低水稻主要病害的发生,同时提高水稻产量,值得大面积应用和推广。     

瓜类细菌性果斑病症状识别与防控

瓜类细菌性果斑病是葫芦科植物上典型的种子传播细菌性病害,主要侵染西瓜、甜瓜等葫芦科作物,具有发病迅速、传播速度快、爆发性强等特点,被列为中国入境检疫性有害生物。目前该病在全球主要分布于美国、澳大利亚、巴西、土耳其、日本、泰国、以色列、伊朗、匈牙利和希腊。中国主要分布在新疆、宁夏、甘肃、河南等省区。一般田块发病率在45%~75%,严重时高达100%,该病的发生严重影响瓜类产业的健康发展。因此,准确识别并采取有效防控技术,对控制该病的大面积发生,具有十分重要的意义。