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。     

基于改进Multi-Scale AlexNet的番茄叶部病害图像识别

番茄同种病害在不同发病阶段表征差异明显,不同病害又表现出一定的相似性,传统模式识别方法不能体现病害病理表征的动态变化,实用性较差。针对该问题,基于卷积神经网络提出一种适用于移动平台的多尺度识别模型,并基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统。该文详细描述了AlexNet的结构,分析其不足,结合番茄病害叶片图像特点,去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征,设计了基于AlexNet的多感受野识别模型,并基于Android实现了使用此模型的番茄叶部病害图像识别系统。Multi-ScaleAlexNet模型运行所耗内存为29.9MB,比原始AlexNet的内存需求652MB降低了95.4%,该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到92.7%,基于此模型的Andriod端识别系统在田间的识别率达到89.2%,能够满足生产实践中移动平台下的病害图像识别需求。研究结果可为基于卷积神经网络的作物病害图像识别提供参考,为作物病害的自动化识别和工程化应用参考。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。     

人字形板式换热器流道传热特性及参数优化

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草的发展提供参考。     

基于改进卷积神经网络模型的玉米叶部病害识别（英文）

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与Res Net模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和Res Net模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和反向传播神经网络(Back Propagation Neural Networks,BPNN)以及深度学习模型如Alex Net、VGG16、Res Net和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

黄瓜与西芹间作土壤细菌多样性及其对黄瓜枯萎病发生的影响

本试验以黄瓜与西芹间作种植模式为处理,黄瓜单作和西芹单作种植模式为对照,利用Illumina公司Miseq平台对上述不同处理土壤进行16S rDNA细菌群落多样性高通量测序分析和田间接种黄瓜枯萎病菌,探讨黄瓜与西芹间作模式土壤细菌的多样性及其对田间黄瓜枯萎病发生的影响。16S rDNA测序结果表明,黄瓜与西芹间作土壤的细菌物种总数最多,群落多样性水平最高,与对照相比显著提高了土壤细菌observed species指数、Shannon指数和Chao1指数(P0.05);Beta多样性聚类分析表明,黄瓜与西芹间作土壤的环境群落物种与黄瓜单作和西芹单作有一定差异性。在门分类水平上,共检测到45个菌门,其中变形菌门占明显优势,其次为酸杆菌门和放线菌门等;黄瓜与西芹间作土壤细菌种类所占比例最高,达98.63%。在属水平上,共检测到428类菌属,GP6、GP16、GP4、芽单胞菌属、节细菌属5属的丰度值较大;黄瓜与西芹间作土壤的节细菌属分布比例最高,红游动菌属、鞘氨醇单胞菌属和芽球菌属丰度值较大,为黄瓜与西芹间作土壤细菌明显优势菌属。田间接种黄瓜枯萎病菌试验结果表明,采用上述3种不同种植模式土壤种植黄瓜,在黄瓜苗期接种黄瓜枯萎病菌,黄瓜与西芹间作处理的黄瓜枯萎病的田间发病率较西芹单作和黄瓜单作分别降低57.03%~63.54%和66.95%~72.15%。因此,黄瓜与西芹间作增加了土壤细菌群落多样性,降低了黄瓜枯萎病的发病率,对后茬黄瓜土传病害防控具有一定科学指导意义。     

基于叶片图像和环境信息的黄瓜病害识别方法

作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。     

黄瓜和西芹间作对黄瓜生长及枯萎病发生的影响

为研究黄瓜与西芹间作对黄瓜生长、黄瓜枯萎病菌化感作用及田间黄瓜枯萎病发生的影响,本试验采用室内不同土壤浸提液培养黄瓜枯萎病菌和田间测定黄瓜生长与枯萎病病情指数的方法,探讨与西芹间作土壤浸提液对黄瓜枯萎病菌的化感作用和田间防病效果。结果表明:与西芹间作促进了黄瓜营养生长,降低了第1雌花节位,增加了1~30节内雌花数;与西芹间作土壤浸提液培养的黄瓜枯萎病菌菌落直径最小,分别与西芹单作和黄瓜单作达显著性差异(P0.05);黄瓜与西芹间作土壤的乙醇、丙酮和蒸馏水浸提液均对黄瓜枯萎病菌具有一定化感作用,且表现为抑制作用,化感效果可达38.11%~75.90%;且乙醇浸提液培养的枯萎病菌菌落直径最小,与丙酮和蒸馏水浸提液达极显著差异(P0.01)。采用上述3种土壤田间种植黄瓜,在黄瓜第1片真叶期接种黄瓜枯萎病菌,降低了黄瓜枯萎病的病情指数,对比黄瓜单作和西芹单作的抑病效果可达57.03%~72.15%。因此,黄瓜与西芹间作对黄瓜枯萎病菌具有一定化感抑制效果,能够有效降低田间黄瓜枯萎病的发生,为黄瓜土传病害的化感防控提供科学依据。     

基于病斑形状和神经网络的黄瓜病害识别

为了研究基于图像处理的黄瓜病害识别方法,试验中采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片进行图像研究。在黄瓜病斑的图像分割方面,尝试了边缘检测法和最大类间方差法进行图像处理。边缘检测法提取出来的病态部位轮廓不是很完整,而利用最大类间方差法的图像分割效果较好。试验中提取了10个形状特征,选取黄瓜细菌性角斑病和黄瓜霜霉病叶片的各50个样本,其中每个病害的前30个样本,共计60个样本作为训练样本输入神经网络,对2种黄瓜病害叶片的后20个样本,共计40个样本进行测试,正确识别率达到了100%,说明通过病斑形状和神经网络进行黄瓜细菌性角斑病和黄瓜霜霉病的识别是可行的。     

不同作物间作对黄瓜病害及土壤微生物群落多样性的影响

分别采用RAPD和T-RFLP技术,研究了小麦、毛苕子和三叶草分别与黄瓜间作对黄瓜病害、黄瓜根际土壤微生物群落多样性和黄瓜产量的影响。结果表明,小麦、毛苕子与黄瓜间作均能提高黄瓜根际土壤微生物群落多样性,其中,小麦-黄瓜间作对黄瓜根际土壤微生物群落多样性的影响最为突出;3种作物分别与黄瓜间作均显著提高了黄瓜产量(p<0.01),其中小麦-黄瓜间作的产量优势最强;同时,3种作物分别与黄瓜间作均降低了黄瓜角斑病、白粉病、霜霉病和枯萎病的病情指数和尖孢镰刀菌的数量。间作有利于提高土壤微生物群落的多样性、减轻病害、提高黄瓜产量。     

黄瓜与西芹间作对黄瓜土壤真菌ITS多样性分析

为探索黄瓜与西芹间作后对黄瓜土壤真菌多样性变化规律的影响,本试验以黄瓜与西芹间作种植模式为处理,黄瓜单作和西芹单作种植模式为对照,进行不同处理土壤ITS真菌群落多样性高通量测序分析。结果表明：黄瓜与西芹间作土壤真菌Alpha多样性指数降低,Observed species指数、Shannon指数、Chao1指数和Simpson指数与对照相比均达到最低值,但差异均不显著（P>0.05）。在门分类水平上,共检测到5个菌门,其中,子囊菌门（Ascomycota）、接合菌门（Zygomycota）和担子菌门（Basidiomycota）为3个主要菌门;黄瓜与西芹间作处理前3个菌门所占比例最高,达95.50%。在属分类水上,共检测到329属,相对丰度比例为前12的菌属占所有检测出菌属的49.4%;黄瓜与西芹间作处理检测的菌属所占比例最高,达50.72%,其次为黄瓜单作和西芹单作,分别为50.47%和47.17%。因此,黄瓜与西芹间作处理改变了黄瓜土壤真菌群落的结构和组成,丰富了黄瓜土壤真菌的群落多样性,为以后设施黄瓜连作土壤微生态环境改善和修复提供科学依据。     

高光谱图像技术诊断温室黄瓜病害的方法

利用高光谱图像技术研究了诊断温室黄瓜病害的方法,以提高诊断的准确性和效率。试验以黄瓜霜霉病、白粉病为研究对象,利用高光谱图像采集系统获取黄瓜病叶的高光谱图像数据,在450～900 nm范围内的高光谱图像数据中,选出特征波长下的图像;然后,对该图像进行去除噪声的滤波处理,并提取黄瓜病叶的色度矩纹理特征向量;最后采用支持向量机分类方法对黄瓜病害进行诊断。研究结果表明,采用高光谱图像新技术与线性核函数对黄瓜霜霉病、白粉病的正确诊断率达100%,采用高光谱图像技术可以实现对温室黄瓜病害进行快速、精确的分类诊断。     

基于改进YOLOv7的黄瓜叶片病虫害检测与识别

黄瓜叶片病虫害的检测与识别是科学防治病害的有效手段。为了提高对黄瓜叶片病斑细小特征的精准定位能力以及提高对早疫病叶片的检测性能,提出一种DCNSE-YOLOv7的深度学习算法。首先,将主干特征提取网络中对最后一个特征层的卷积2D convolution(Conv2D)改为可变形卷积2D Deformable convolution(DCNv2),提高模型对病斑细小特征的提取能力;其次,对主干特征提取网络输出的3个特征层结果添加Squeeze-and-Excitation networks(SENet)注意力机制模块构建网络模型,加强模型对发病早期相似病害特征的有效提取能力;同时,通过K-means++聚类算法对锚框重新聚类,避免算法在训练过程中盲目学习目标的尺寸和位置;最后,将原始YOLOv7的CIOU损失函数,更替为Focal-EIOU损失函数。试验结果表明,DCNSE-YOLOv7算法能够有效对黄瓜叶片病虫害进行检测,其平均精度均值为94.25%,比YOLOv5l、YOLOv7、Faster-RCNN、SSD和YOLOv7-tiny模型分别提高了2.72、2.87、0.28、12....     

间套作防治作物土传枯萎病的研究进展

作物间套作是农业生态系统中常见的一种种植模式。在这种生产模式中,两种或多种作物不仅可以充分利用光、热、水、气、肥等资源,提高单位土地面积的生产力,而且还会影响植物病虫害发生。连作引发的枯萎病是影响很多作物减产的重要原因。通过合理间套作,可以有效地提高作物的抗病能力,以达到自然控制枯萎病的目的。本文首先综述了国内外不同作物间作模式对土传枯萎病的防治效果;其次,从田间小气候改变、寄主形态及生理改变、诱导寄主抗性、养分高效利用、抑制病原菌及土壤微生物多样性方面对控害机制的最新进展进行了总结。在此基础上,对当前间作防控土传病害的局限性进了讨论,并对未来利用不同作物间作防治植物土传病害的研究方向及间作防控土传病害研究需要关注的热点问题进行了展望。