基于YOLOv3网络的小麦麦穗检测及计数

小麦(Triticum aestivum L.)麦穗检测及计数对小麦产量估计及育种至关重要,但传统小麦麦穗数量统计都是基于人工统计的方法或遥感预测等方法,效率低且准确率差。为解决上述问题,提出了基于YOLOv3的深度神经网络小麦检测方法。结果表明,YOLOv3在3种常见的小麦品种上检测平均精度mAP值为67.81%,麦穗计数准确率为93%,该方法可快速高效地检测特定标注框中的小麦麦穗。     

小麦穗螨的识别与防治

1穗螨的识别与生活习性 雌螨后半体腹面前缘或末体前缘有2个贮孢囊,内贮有真菌孢子.穗螨寄主有小麦、燕麦、野燕麦、赖草、碱草等. 穗螨是传播禾谷腐烂病的媒介,不直接危害小麦,以共生真菌为食.穗螨与贮孢囊所携带的真菌有相互依赖的共生关系,穗螨传播共生真菌,共生真菌造成小麦穗腐败并蔓延,为穗螨提供食料.     

高效大功臣防治小麦穗蚜的效果

为了解５％高效大功臣可湿性粉剂防治小麦穗蚜的效果及最佳使用剂量,以便在我市推广应用,我们于１９９８年在金沙镇马北镇５组进行了防治小麦穗蚜田间药效试验。１材料与方法１１供试药剂及处理５％高效大功臣可湿性粉剂（南京第一农药厂产）、１０％吡虫啉可湿性粉剂...     

小麦穗期主要病虫害的发生与防治

本文就小麦穗期几种主要病虫害发生趋势提出了相应的防治意见。     

麦蛾危害损失及其与小麦穗部特征的关系

田间分小区种植１７个小麦品种,穗期自然感染麦蛾,收获前测量各品种的主要穗部特征,收获后检查受害情况。结果表明：不同小麦品种的籽粒受害率、千粒重损失量和损失率等均有较大的差异,其中籽粒受害率经方差分析,品种间差异达极显著水平。据此结合新复极差测验比较,可将供试１７个品种对麦蛾的田间抗性分为高抗、抗、中抗或中感、高感４种类型。不同小麦品种的籽粒受害率与小麦穗部１０个主要特征相关分析表明,籽粒受害率与穗     

不同药剂防治麦穗蚜田间药效试验

2014年在阜宁县进行了11种不同药剂防治小麦穗蚜田间药效对比试验,结果表明,11种药剂对小麦穗蚜均有一定的防治效果,药后10 d,25%吡蚜酮可湿性粉剂、10%烯啶虫胺可溶性液剂、10%醚菊酯悬浮剂、25%噻虫嗪水分散粒剂、350 g/L吡虫啉悬浮剂、25%氰戊·乐果乳油等6个处理防效较好,达90.32%~96.73%,可在生产上大面积推广应用。     

赣榆县小麦穗期病虫害防治技术

小麦穗期是小麦最终形成产量的时期,又是多种病虫集中发生危害盛期,一旦病虫危害即会造成不可挽回的损失。因此。小麦穗期是小麦病虫草害综合防治的最后一环,也是防治田间病虫害的关键时期。总结了小麦穗期病虫害发生特点,提出了防治技术措施。     

防治小麦穗蚜的药剂筛选试验

试验表明,甲胺·辛乳油、强力病虫灵乳油、甲胺磷乳油、氧化乐果乳油防治小麦穗蚜的效果显著高于蓖麻油酸烟碱乳油和辛硫磷乳油,且持效期长,前３种可以代替老品种在生产上和氧化乐果交替轮换使用。甲胺·辛乳油、强力病虫灵乳油田间最佳使用量为６０～７０ｍｌ／亩。     

不同药剂防治小麦穗蚜的试验研究

为了筛选出防治小麦穗蚜的高效药剂,在小麦抽穗扬花期,进行了不同药剂防治试验.     

基于深度残差网络的麦穗回归计数方法

单位面积的穗数是估算小麦产量的重要指标,针对传统麦穗计数方法效率低、主观性高等问题,将基于深度残差网络的密度回归模型引入麦穗的计数领域,建立原始图片与密度图的对应关系,以密度图像素值总和确定图像中麦穗数量.对ResNet34网络进行改进,提出了ResNet-16模型,实现端对端的麦穗计数.针对ResNet34网络复杂度...     

不同药剂防治小麦穗蚜的试验研究

为了筛选出防治小麦穗蚜的高效药剂,在小麦抽穗扬花期,进行了不同药剂防治试验。     

异色瓢虫对小麦穗蚜的控制效果研究

在小麦穗蚜发生始期人工释放商品化的异色瓢虫幼虫,以明确异色瓢虫对穗蚜的控制效果。结果表明:释放瓢虫1.5万头/hm2,对麦蚜有较好的控制效果,且持效期长,5 d后防效达103.7%,10 d后防效仍达183.7%。     

转反义Trxs基因抑制小麦穗发芽研究

分别对转入反义Trxs基因的成熟小麦00TY5籽粒及非转基因对照小麦Y5ck籽粒进行常规发芽试验,难溶性麦谷蛋白组分测定及a-淀粉酶活性测定结果表明,反义Trxs基因可在小麦受体中良好表达,切实提高小麦的抗穗发芽能力。     

基于改进Bayes抠图算法的麦穗小穗自动计数方法

小麦产量评估需人工获取田间单位面积的麦穗数和麦穗小穗数,往往耗时耗力。为了实现高效、自动地麦穗小穗计数,提出一种基于改进Bayes抠图算法的麦穗小穗自动计数方法。该方法首先利用改进Bayes抠图算法对获取地自然生长条件下的麦穗图像进行抠图,将麦穗从自然背景中分割出来。然后对该图像进行平滑滤波和二值化,运用迭代极限腐蚀运算对二值化图像进行腐蚀处理,去除麦穗图像中的麦芒,分离出麦穗上每个单独的麦穗小穗。再运用面积滤波滤除掉面积过小的区域,对剩余区域的黑洞进行填充,由此每个单独的麦穗小穗形成一个单独的连通区域,最后对连通区域进行标记和计数,完成麦穗小穗的自动计数。使用4个小麦品种的麦穗图像对麦穗上的小穗进行计数验证,结果表明,该方法在识别4个品种田间麦穗单幅图像中小穗数量的平均计数精度达到94.53%,平均相对误差为5.47%,对比已有麦穗小穗自动计数方法,计数精度显著提高,这对于小麦在线产量预估具有重要意义。     

阿维虫清防治小麦穗蚜试验

室内毒力测定和田间防治试验结果表明，0.2%阿维虫清乳油生物活性高，LC     

小麦穗蚜发生程度及高峰期的灰色预测

依据灰色系统理论，经灰色关联分析筛选建模因子，用ＧＭ模型预获嘉县小麦穗蚜的发生程度及发生高峰期。灰色关联分析结果表明，获嘉县小麦穗蚜的发生程度主要取决于降水因子，而发生高峰期则主要取决于热量因子。预测模型的精度可以满足业务工作需要。     

基于无锚框YOLO检测网络的麦穗检测方法

小麦产量可由单位面积的小麦麦穗总数估算得出。基于采集小麦图像序列特征并进行检测的方法受光照等因素影响大,检测精度不高。为准确定位麦穗位置,估计麦穗数量,引入深度卷积神经网络进行麦穗检测工作。针对麦穗比例多样,先验锚框设定无法完美契合的弊端,舍弃了目标检测网络中常用的矩形先验锚定框（anchor）,提出了一种基于YOLO框架的无锚框（anchor-free）麦穗目标检测方法。采用CSPDarkNet53作为特征提取网络,中间层采用特征图金字塔网络结构FPN(Feature Pyramid Networks)设计特征处理模块,增大感受野并提取图像的多尺度信息,获得融合高低层语义信息的特征图,后端采用FoveaBox式无锚框检测器完成目标检测。在WEDD与GWHD两个不同分辨率的公开麦穗数据集上测试表明,该网络的检测平均精度AP值相较于YOLOv4网络分别提升了8.81%和1.69%,并在GWHD数据集上帧率达到36FPS。本算法能够实时有效地进行麦穗精确检测,为后续小麦估产、育种等创造了条件。