基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。     

基于 YOLOv5s 和 Android 的苹果树皮病害识别系统设计

【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于 Android 的苹果树皮病害识别 APP 以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病 3 种病害的图片 数据,经扩增和标注后按照 8 ∶ 2 比例进行训练集和测试集的划分。使用 YOLOv5s 算法训练苹果树皮病害识别 网络模型,对训练得到的轻量级网络模型进行 Android 端部署,并设计相应 APP 界面,实现对轮纹病、腐烂病、 干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在 88.7%,召回率稳 定在 85.8%,平均精度值稳定在 87.2%。其中腐烂病准确率为 93.5%,干腐病准确率为 88.2%,轮纹病准确率为 84.3%。将其在 Android 端部署后,每张病害图片处理时间均小于 1 s,检测置信度为 87.954%。该轻量级识别系 统不仅实现了 3 种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s 网络权重模型小,能够轻松 实现 Android 端的部署,且基于 YOLOv5s 设计的 APP 操作简单、检测精度高、识别速度快,可以有效辅助果园 精准管理。     

基于U-Net 的甘蔗提取方法

【目的】基于深度学习的分类方法是使用高分辨率遥感影像快速提取作物种植空间信息的新方法。【方法】以云南省陇川县甘蔗种植园为研究区,收集空间分辨率为0.5 m的Google Earth开放影像进行数据预处理,建立样本数据集,构建U-Net神经网络模型,训练模型参数;使用U-Net模型提取甘蔗种植空间信息,通过地面样方数据验证甘蔗提取精度。【结果】(1)基于深度学习方法的甘蔗分类总体精度和Kappa系数分别为92.76%和0.848 0,面积总精度为94.41%;平坝区、丘陵区分类精度存在差异,总精度和Kappa系数分别为97.10%、0.922 1和88.42%、0.767 3;(2)受部分地物RGB影像特征与甘蔗相似的影响,分类结果存在错分现象。【结论】基于U-Net神经网络模型的方法可用于高分辨率影像的甘蔗提取,更准确的分类精度还有待进一步研究和验证。     

基于数字图像棉花黄萎病诊断与防治的管理远程监测

【目的】获得病害的典型病害植被指数特征及其病害防治管理,为诊断和防治棉花黄萎病提供有效工具,为病害监测模型和防治管理提供决策支撑。研究冠层图像RGB至HIS空间的变换与典型病害植被指数的关系,通过Relief-F算法获得棉花黄萎病症状变化敏感的特征,构建病害监测模型。【方法】采集与结构、叶绿素相关的植被指数与棉花黄萎病症状特征的数字图像,与病害植被指数和病害严重度等级的识别有较好的对数关系。获得病害症状特征变化的典型谱段,构建棉花黄萎病病情指数,建立病害病情监测模型。【结果】获得与棉花叶片结构、叶绿素相关的植被指数和棉花黄萎病症状特征的数字图像,与不同严重度病害植被指数和病害严重度等级的诊断具有对数关系。提取棉花黄萎病症状特征变化的典型谱段,构建病害监测模型,建立防控棉花黄萎病数据的安全架构。【结论】实现获取棉花黄萎病病害的发病情况的监测和病害防控管理,为棉花黄萎病大面积精准监测和防控提供新的思路。     

基于改进 YOLOX 模型的柑橘木虱检测方法

【目的】黄龙病被称为柑橘的“癌症”，是一种毁灭性病害，而木虱是黄龙病传播的主要媒介， 对木虱的监测和精准消杀是防控黄龙病及抑制其传播的一种有效途径。【方法】传统方式消灭木虱主要是靠人 工喷洒药物，人力成本高但防控效果并不理想。采用基于改进 YOLOX 的木虱边缘检测方法，在主干网络加入卷 积注意力模块 CBAM（Convolutional block attention module），在通道和空间两个维度对重要特征进行进一步提取； 将目标损失中的交叉熵损失改为使用 Focal Loss，进一步降低漏检率。【结果】本研究设计的算法契合木虱检测 平台，木虱数据集拍摄于广东省湛江市廉江红橙园，深度适应农业农村实际发展需要，基于 YOLOX 模型对骨干 网络和损失函数做出改进实现了更加优秀的柑橘木虱检测方法，在柑橘木虱数据集上获得 85.66% 的 AP 值，比 原始模型提升 2.70 个百分点，检测精度比 YOLOv3、YOLOv4-Tiny、YOLOv5-s 模型分别高 8.61、4.23、3.62 个 百分点，识别准确率大幅提升。【结论】改进的 YOLOX 模型可以更好地识别柑橘木虱，准确率得到提升，为后 续实时检测平台打下了基础。     

基于Logistic算法与遥感影像的棉花虫害监测研究

【目的】借助多光谱遥感影像和Logistic算法,实现对棉田虫害的田间监测。【方法】以患虫害棉花区域为研究对象,利用无人机获取棉田多光谱遥感影像,并对影像进行预处理;结合受虫害棉花光谱特征,利用虫害敏感波段反射率与植被指数构建Logistic回归模型,开展棉花虫害识别监测研究。【结果】由土壤调节植被指数(Soil adjusted vegetation index,SAVI)模型和归一化植被指数(Normalized vegetation index,NDVI)模型构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型为最优模型,其训练样本准确率达到93.7%,测试样本准确率达到90.5%,召回率为96.6%,F1值为93.5%,对棉蚜虫、棉红蜘蛛和棉铃虫的识别模型决定系数分别为0.942、0.851和0.663。【结论】该模型可满足棉田中棉蚜虫、棉红蜘蛛和棉铃虫3种虫害的发生区域识别,且可基本满足棉田精准植保作业相关要求。     

蕉农对香蕉保险的支付意愿分析和支付能力测度 ——来自海南省1 167户蕉农的经验证据

【目的】探究蕉农对香蕉保险的支付意愿和支付能力,为政府优化香蕉保险制度设计提供决策依据。【方法】基于海南省1 167户蕉农的实地调查,分别运用Logistic和CVM模型对影响蕉农参加香蕉保险意愿的微观影响因素和支付能力测度进行实证研究。【结果】影响蕉农参加香蕉保险的重要因子包括种植年限、身份、受教育程度、种植品种、2007年香蕉种植损失对家庭生产生活的影响程度、香蕉种植收入占家庭总收入的比重、是否试点区;蕉农平均意愿保费费率为0.14,蕉农平均意愿支付保费的能力为39%,蕉农希望政府补贴水平应达到60%。【结论】加大财政对农业保险的支持力度、深度和广度;积极开展农业保险产品创新,增加农业保险的有效供给;积极推进香蕉生产的规模化、专业化;启动农业保险发展的规划。     

基于深度学习和无人机遥感技术的玉米雄穗检测研究

【目的】玉米雄穗在玉米的生长过程和最终产量中起关键作用,使用无人机采集玉米抽穗期的RGB图像,研究不同的目标检测算法,构建适用于无人机智能检测玉米雄穗的模型,自动计算图像中雄穗的个数。【方法】使用无人飞行器(UAV)在25 m飞行高度下获得大量玉米抽穗时期的RGB图像,裁剪并标注出图像中玉米雄穗的位置和大小,训练数据和测试数据按照3:1的比例划分数据集;在深度学习框架MXNet下,利用这些数据集,分别训练基于ResNet50的Faster R-CNN、基于ResNet50的SSD、基于mobilenet的SSD和YOLOv3等4种模型,对比4种模型的准确率、检测速度和模型大小。【结果】使用无人机采集了236张图像,裁剪成1 024×1 024大小的图片,去除成像质量差的图像,利用标注软件labelme获得100张标注的玉米雄穗数据集;最终得到4个模型的mAP值分别为0.73、0.49、0.58和0.72。在测试数据集上进行测试,Faster R-CNN模型的准确率最高为93.79%,YOLOv3的准确率最低,仅有20.04%,基于ResNet50的SSD和基于mobilenet的SSD分别为89.9%和89.6%。在识别的速度上,SSD_mobilenet最快(8.9 samples·s-1), Faster R-CNN最慢(2.6 samples·s-1), YOLOv3检测速度为3.47samples·s-1, SDD_ResNet50检测速度为7.4 samples·s-1。在模型大小上,YOLO v3的模型最大,为241 Mb, SSD_mobilenet的模型最小,为55.519 Mb。【结论】由于无人机的机载平台计算资源稀缺,综合模型的速度、准确率和模型大小考虑,SSD_mobilenet最适于部署在无人机机载系统上用于玉米雄穗的检测。     

基于改进YOLOv7-Tiny的成熟草莓识别模型研究

【目的】成熟草莓的快速、准确识别是高效机械采摘的关键技术,针对草莓生长环境中果实堆叠、叶片遮挡和小目标等问题,提出一种改进YOLOv7-Tiny的成熟草莓识别模型。【方法】该模型在YOLOv7-Tiny模型的基础上,将骨干网络中CBL卷积块的LeakeyReLU激活函数替换为SiLU函数,提高模型的非线性拟合程度与特征学习能力。为降低模型的参数量和计算量,实现模型轻量化,提高识别速度,引入轻量化RepGhost网络。在YOLOv7-Tiny模型的小目标层加入C3模块,降低模型参数量,增加网络深度,增强模型对小目标的信息提取能力,从而提高被遮挡草莓以及小目标草莓的识别准确度,进一步提高模型的识别速度。以设施草莓为试验样本对改进YOLOv7-Tiny模型进行对比试验。【结果】相较于YOLOv7-Tiny模型,改进YOLOv7-Tiny模型训练的收敛速度快,模型拟合后损失曲线的波动幅度小且稳定,训练的损失值小,模型的鲁棒性好。与原模型的对比试验结果表明,改进YOLOv7-Tiny模型的参数量降低26.9%,计算量降低55.4%,识别速度提高26.3%,识别平均准确率（mAP）为89.8%。消...     

基于改进YOLOv5＿OBB的中华绒螯蟹旋转目标检测

【目的】提出一种基于改进YOLOv5＿OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5＿OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5＿OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。     

生物有机肥对香蕉植株生长和香蕉枯萎病防控研究

【目的】研究生物有机肥对香蕉植株生长及香蕉枯萎病防控的影响,为香蕉产业健康发展提供参考。【方法】采用盆栽试验方法,设置生物有机肥、有机肥和三元复合肥3个处理,以桂蕉1号作为供试植物,测定不同处理对香蕉植株生长和枯萎病病情指数的影响。【结果】研究发现,与对照相比,施用生物有机肥后香蕉植株株高、假茎围、地上部鲜重、地下部鲜重及全株鲜重分别显著增加20.0%、28.8%、94.4%、28.8%和56.8%,香蕉枯萎病病情指数显著降低27.29%,植株生长与病情指数存在负相关关系。【结论】生物有机肥可促进香蕉植株生长,降低病情指数,对香蕉枯萎病有较好的防效。     

基于深度学习的苹果树侧视图果实识别

【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。     

无人机遥感图像中的玉米雄穗轻量化检测模型

【目的】玉米雄穗在玉米生产及品种鉴别等方面具有重要的作用,其性状在一定程度上也和产量相关,自动监测玉米抽雄期能有效观察玉米生长状况,现阶段的玉米雄穗检测方法无法很好地完成实时检测任务,从而提出一种兼顾检测精度与检测速度的新检测模型。【方法】使用无人机在中国西南地区的玉米农田采集数据样本,对数据样本进行处理,共得到1 000张有效数据,使用LabelImg软件标注出样本中雄穗的位置和大小。为使试验模拟出复杂环境下的玉米雄穗在不同气候与光照呈现出不同的特征,随机采用镜像对称、仿射变换、高斯加噪、对比度变化的方式对数据样本增强至11 000张,以此制作数据集。选用检测精度高但参数量和计算量较大的YOLOv4作为检测的基准模型,为了减少模型参数量与计算量,更好地完成雄穗实时检测任务,新的检测模型使用轻量级神经网络GhostNet替换YOLOv4的主干特征提取网络,在加强特征提取网络中使用深度可分离卷积模块替代普通卷积模块,并将激活函数更换为稀疏性较强的ReLU6,从而有效地进行轻量化。【结果】轻量化后的新模型参数量为43.4 MB,计算量为3.55 GFLOPs,仅占原基准模型YOLOv4的1...     

基于改进SSD算法的轻量化三七病害检测

【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大,难以实现在移动设备上部署的问题,提出一种基于SSD(Single shot multibox detector)目标检测的改进模型,以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构,采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16),降低主干网络的参数量与计算量,同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系,构建RFB模块,用该模块替换原SSD模型框架顶部卷积层,从而增强网络深层特征,提高轻量化模型的检测精度与检测速度,实现多尺度三七病害检测。【结果】与SSD模型相比,RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现,改进模型的准确率提高了4.6个百分点,召回率提高了6.1个百分点,F1精度提高了5.4个百分点,单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s,尺寸仅为SSD模型的54.6%。【结...     

有机肥对香蕉枯萎病及土壤主要理化性质和微生物群落的影响

【目的】研究香蕉园施用有机肥防治香蕉枯萎病对土壤理化性质及其根际土壤微生物群落的影响。【方法】香蕉幼苗移栽至病区大田土壤中,处理组植株施用有机肥,并将未施用有机肥的植株设置为对照组。移栽后6个月统计处理组与对照组植株香蕉枯萎病发病率;采集土壤样本,测定根际土壤的土壤肥力;提取根际土壤DNA,采用高通量测序技术,结合生物信息学分析,解析施用有机肥后香蕉根际土壤细菌和真菌群落结构组成及多样性的变化。【结果】施用有机肥提高了土壤pH值(14.85%)、全氮(25%)和全磷(19.04%)的含量,降低土壤全铁含量(2.62%),香蕉枯萎病发病率下降了75%。和对照相比,子囊菌门(Ascomycota)与壶菌门(Chytridiomycota)的相对丰度分别提高了43.84%和90.64%,变形菌门(Proteobacteria)的相对丰度则降低了18.49%。施用有机肥料提高了青霉菌属(Penicillium)、 Gibellulopsis和篮状菌属(Talaromyces)等的相对丰度,比例分别为对照组的2.93倍、2.12倍和11.93倍。施用有机肥料后,香蕉根际土壤真菌群落Chao1指数、ACE指数与香农(Shannon)指数得到提升,分别提升了39.81%、38.43%和86.85%。【结论】施用有机肥料改善了土壤理化性质,改变了根际土壤微生物群落结构和多样性,降低了香蕉枯萎病发病率。     

基于深度学习的蔬菜田精准除草作业区域检测方法

【目的】蔬菜生长随机,杂草种类众多。传统杂草识别算法复杂,且仅识别出杂草,未能精准确定除草作业区域。本研究以蔬菜及其伴生杂草为研究对象,拟探索一种基于深度学习的杂草识别与精准除草作业区域检测方法。【方法】通过将原图切分网格图像,利用深度学习模型识别蔬菜、杂草及土壤,将包含杂草的网格图像标记为除草作业区域。选取ShuffleNet、DenseNet和ResNet模型开展识别试验,并采用精度、召回率、F₁值和总体准确率、平均准确率分别对验证集和测试集进行评价分析。【结果】所选的3种网络模型均能较好地识别杂草和蔬菜,其中ShuffleNet为杂草识别最优模型,其对杂草的识别具有较为均衡的精度和召回率,分别为95.5%、97%,且其识别速度也达最优,为68.37 fps,能够应用于实时杂草识别。【结论】本研究提出的除草作业区域检测方法具有高度的可行性和极佳的识别效果,可用于蔬菜田间杂草的精准防除。     

基于Landsat-8和Sentinel-2A多光谱影像的陆良县日光温室面积估算

【目的】选取云南省陆良县,开展基于Landsat-8 OLI和Sentinel-2A MSI影像的设施种植区域监测研究,及时为农业生产管理提供准确的设施农业空间信息。【方法】首先分析日光温室及其他典型地物的遥感特征,然后使用目视解译以及最小距离法、马氏距离法、最大似然法、支持向量机等4种监督分类方法提取设施种植空间信息,再使用亚米级Google earth历史影像为底图建立验证样区。通过目视解译提取样区设施种植区域信息,以此验证Landsat-8和Sentinel-2A影像的监测精度,选择最优监测方法。【结果】使用Landsat-8影像,基于目视解译及4种监督分类方法的精度依次为97. 54%、77. 31%、91. 35%、91. 89%和83. 15%;使用Sentinel-2A影像,基于目视解译及4种监督分类方法的精度依次98. 82%、80. 80%、87. 01%、93. 89%和85. 41%。【结论】①2种影像的日光温室监测均适于使用最大似然法,其估算精度与目视解译精度误差分别为5. 65%和4. 93%;②遥感监测显示,2016年陆良县日光温室主要集中于该县湖积平原区。基于Landsat-8影像监测的面积为5381. 62 hm2,基于Sentinel-2A影像监测的面积为5347. 84 hm2。     

基于OLI影像的四川丘陵地区水稻种植面积监测

【目的】为使用Landsat8 OLI遥感影像准确监测四川丘陵地区水稻种植面积。【方法】根据丘谷相对高差分别选定浅丘、深丘水稻样方各4个,通过地面样方调查和同生长季Google Earth影像解译获取的样方水稻种植面积作为验证数据,评价基于OLI融合影像的川中丘陵的水稻种植面积监测精度。OLI影像经正射校正后,使用15 m全色波段影像和30 m多光谱影像融合,得到15 m分辨率的融合影像,使用最大似然法进行监督分类,获取监测结果。【结果】与样方验证数据比较,在样方面积相同的情况下基于OLI影像的水稻种植面积监测结果显示,浅丘区的平均精度为93.7%,误差范围为1.0%~8.7%;深丘区的为92.5%,误差范围为1.5%~15.8%。【结论】根据浅丘区、深丘区监测结果的误差范围差异,随着丘谷高差增大,地形趋于复杂、地块趋于狭长与破碎,OLI影像监测结果的不确定性增加,精度有下降的趋势。该研究为改进OLI影像监测四川丘陵地区水稻种植面积精度提供参考。     

2011年早春我国香蕉寒害调查及寒害后恢复对策

【目的】了解2011年早春低温对我国香蕉生产的影响,提出寒害后香蕉恢复生产的技术措施,为香蕉抗寒栽培提供技术支持。【方法】2011年3月9～16日对我国香蕉主产区广西、广东、海南、云南、福建进行分片区实地寒害调查,对挂果株及待生产用的大、中、小吸芽进行田间解剖分析诊断。【结果】挂果株受寒害影响较吸芽植株敏感,大、中、小吸芽抗寒能力依次增强;同纬度区域高海拔香蕉受寒害比低海拔严重;此次低温对广西中部区域香蕉影响最为严重,挂果株产量损失超过50%,且只能留中小型吸芽作为生产株;广东、海南区域香蕉受寒害影响最小,其他区域居中。【建议】采用覆盖天地膜过冬、喷水保湿、套袋护果御寒等措施;选留受寒害后萌发的吸芽为下造生产株,做好蕉园管理工作,促进吸芽早萌发、早定芽;选育抗寒品种。【目的】了解2011年早春低温对我国香蕉生产的影响,提出寒害后香蕉恢复生产的技术措施,为香蕉抗寒栽培提供技术支持。【方法】2011年3月9～16日对我国香蕉主产区广西、广东、海南、云南、福建进行分片区实地寒害调查,对挂果株及待生产用的大、中、小吸芽进行田间解剖分析诊断。【结果】挂果株受寒害影响较吸芽植株敏感,大、中、小吸芽抗寒能力依次增强;同纬度区域高海拔香蕉受寒害比低海拔严重;此次低温对广西中部区域香蕉影响最为严重,挂果株产量损失超过50%,且只能留中小型吸芽作为生产株;广东、海南区域香蕉受寒害影响最小,其他区域居中。【建议】采用覆盖天地膜过冬、喷水保湿、套袋护果御寒等措施;选留受寒害后萌发的吸芽为下造生产株,做好蕉园管理工作,促进吸芽早萌发、早定芽;选育抗寒品种。     

大田作物病害遥感监测技术及模型的研究现状与展望

【目的】 高效准确监测大田作物病害对作物生产和粮食安全至关重要。文章旨在系统梳理大田作物病害遥感监测技术及模型的研究成果,推动作物病害监测技术发展与应用。【方法】 采用文献检索、归纳总结等方法,系统梳理了国内外大田作物病害遥感监测研究,阐述了大田作物病害遥感监测技术的未来发展趋势。【结果】 （1）阐述大田作物病害遥感监测基本原理,并构建了基本框架;（2）大田作物病害监测遥感数据源主要包括多光谱、高光谱、荧光和热红外遥感;（3）大田作物病害监测遥感模型主要包括统计模型、传统机器学习模型和深度学习模型。【结论】 未来应以病害早期监测、实时监测系统和数据共享为重点突破和研究的方向,为大田作物病害实时或准实时监测预测提供技术支撑。