太阳能光陷阱捕虫器对花生田昆虫的诱捕效果

为建立绿色高效的花生田害虫灯光诱控技术,于2019年在湖北省孝感市大悟县河口镇群建村进行试验,测定光源A（波长365 nm）和光源B（波长390 nm）太阳能光陷阱捕虫器诱捕到的花生田地下害虫、天敌昆虫和中性昆虫的类群和数量,并分析不同光源和天气对太阳能光陷阱捕虫器诱捕效果的影响。结果表明,2种光源太阳能光陷阱捕虫器共诱捕昆虫106 899头,其中地下害虫以丽金龟科和鳃金龟科昆虫居多,分别为53 338头和22 993头;诱捕的天敌昆虫和中性昆虫中分别以步甲科昆虫和水龟虫科昆虫居多,分别为1 495头和4 866头。光源A诱捕的金龟甲总科害虫、叩甲科害虫、天敌昆虫和中性昆虫数量与光源B的诱捕量均差异不显著,但光源A诱捕的蝼蛄科害虫数量显著高于光源B;晴天诱捕的金龟甲总科害虫、叩甲科害虫、天敌昆虫和中性昆虫数量与在阴天的诱捕量差异不显著,但晴天诱捕的蝼蛄科害虫数量显著高于阴天的诱捕量。表明太阳能光陷阱捕虫器对花生田害虫的诱捕效果好,对天敌昆虫和中性昆虫杀伤力小,可作为一种绿色防控手段防治花生田害虫。     

基于改进Mask-RCNN算法的作物害虫分类识别

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题起重大作用,准确的害虫分类识别是给虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,比原Mask-RCNN模型识别准确率平均提高4.7个百分点。对于含杂虫图片,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。