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。     

黑龙江省水稻穗腐病致病菌(Alternaria spp.)的鉴定及生物学特性分析

黑龙江省是我国水稻主产区，近年水稻穗腐病(rice spikelet rot disease,简称RSRD)对黑龙江省水稻产区的产量与质量造成的危害越来越严重。本研究旨在对黑龙江省水稻穗腐病致病菌链格孢属(Alternaria spp.)菌株的种类及生物学特性进行分析，为水稻穗腐病的防控提供参考依据。从黑龙江省病害发生区采集病穗样本，分离获得病原菌纯培养，利用分生孢子及菌落形态做形态鉴定，结合内转录间隔区(internal transcribed spacers,简称ITS)进行分子鉴定，菌丝生长速率法明确其生物学特性再采用水解圈法测定3种外分泌酶的产生情况。研究结果表明，黑龙江省水稻穗腐病的主要致病菌为Alternaria spp.,占总病原数量的83.43%;根据菌落及分生孢子形态把Alternaria spp.分成8种类型，ITS分子鉴定结果可将Alternaria spp.分为3类，分别为细交链格孢菌(Alternaria tenuissima,Ⅰ类菌),占Alternaria spp.总数的48.65%;链格孢菌(Alternaria alternata,Ⅱ类菌),占48.6...     

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。     

基于高通量测序及分离培养初步研究美国大豆中真菌多样性

中国是全球最大的大豆进口国,进境大豆所携带的病原真菌传入我国的风险极高。基于高通量测序技术对6批美国大豆真菌多样性进行分析,同时采用分离培养获得单一菌株,依据菌落形态、显微结构及分子技术进行鉴定。高通量测序结果显示,大豆中所有真菌共计5门15纲35目63科112属155种,主要为链格孢属(Alternaria)、球腔菌科(Mycosphaerellaceae)、小戴卫霉科(Davidiellaceae)、小囊菌科(Plectosphaerellaceae)、赤霉属(Gibberella)、附球霉属(Epicoccum)、间座壳属(Diaporthe)、隐球菌属(Cryptococcus)。分离培养结果显示,得到真菌共计40株10种,分别是大豆北方茎溃疡病菌(Diaporthe phaseolorum var.caulivora)、大豆南方茎溃疡病菌(Diaporthe phaseolorum var.meridionalis)、大豆拟茎点种腐病菌(Diaporthe longicolla/Phomopsis longicolla)、大豆炭腐病菌(Macrophomina phaseolina)、尖孢镰刀菌(Fusarium oxysporum)、菌核菌(Sclerotinia sclerotiorum)、镰刀菌(Fusarium sp.)、附球菌(Epicoccum sp.)、交链孢菌(Alternaria sp.)、小双胞腔菌(Didymella sp.)。     

贺兰山野生大型真菌孢子多样性分析

为探讨贺兰山野生大型真菌孢子的多样性,2012-2016年在内蒙古贺兰山南寺和哈拉乌沟两地进行取样,每个样地分别由5人从沟谷入口处进行拉网式调查,共获得4 000余份样品,经过微观形态观察和基因ITS序列比对,鉴定出8目25科69属189种大型真菌,主要对其孢子形态特征、表面特征及长宽比进行分析,得到如下结论:质量性状上,孢子形态特征和表面特征相互独立;数量性状上,大小孢子长宽比、孢子极端比和平均比均具有一致性和关联性,显示孢子数量特征的稳定性;菌种间孢子质量性状和数量性状具有很强的多样性;按照孢子多样性低、中、高分类,贺兰山野生大型真菌物种数分别为152种、26种和11种;孢子多样性分类为大型真菌鉴别、分类提供了基本依据。     

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。     

AM真菌联合柠檬酸对紫云英生长的协同效应

为了解AM真菌联合柠檬酸对紫云英生长发育及生理特性的影响，通过接种Funneliformis mosseae和联合施加柠檬酸进行紫云英温室盆栽试验，测定紫云英幼苗植株形态、根系发育、养分吸收、抗氧化酶活性、渗透调节系统等指标。结果表明，AMF联合柠檬酸的组别相较于CK组株高、分枝数和生物量均显著增加(P<0.05)。在不同柠檬酸浓度下，接菌后的紫云英比CK组的根冠比和根系活力均显著提升，4 mmol/L浓度组的根冠比提升了51.9%、2 mmol/L浓度组的根系活力提升了1.34倍；单独施加柠檬酸可显著增加紫云英磷含量和叶绿素含量，接菌之后进一步提升二者的含量，在接菌且柠檬酸浓度为4 mmol/L条件下，磷含量和叶绿素含量较CK组分别增加92.2%、48.2%;AMF联合柠檬酸可显著促进紫云英抗氧化酶活性：在柠檬酸浓度为2 mmol/L条件下的超氧化物歧化酶活性最佳，达378.38 U/g;在柠檬酸浓度为4 mmol/L条件下的过氧化物酶和过氧化氢酶活性最佳，分别达到1 617.50、1 834.89 U/(g·min);在相同柠檬酸浓度下，联合处理组与单施柠檬酸组相比，进一步显...     

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。