深度学习在作物病害图像识别方面应用的研究进展

在作物生产管理过程中,正确及时地诊断作物所患病害非常关键.基于深度学习的图像识别为作物病害自动快速诊断提供了新途径.相比传统图像识别所用的模式识别方法,深度学习网络模型能自行提取特征且能够由低维特征抽象出高维特征,取得更好的学习效果.系统梳理了深度学习在图像自动化识别方面的发展历程,介绍了浅层神经网络的相关概念,阐述了...     

基于深度学习的植物图像识别方法研究

传统植物图像识别研究主要集中在植物叶片图像。研究将深度神经网络学习运用于植物识别领域,突破局部叶片图像的限制,对常规植物图片进行识别。该方法运用google Net的深度卷积神经网络结构,通过图像旋转、镜像、随机裁剪等数据预处理方法扩充训练集,再利用SGD(随机梯度下降法)进行模型算法优化,生成对50种常规植物图像的识别模型。结果表明,该模型在测试集上能够达到平均90%的准确率。     

基于深度卷积神经网络的水稻纹枯病检测识别

纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s^-1     

基于深度学习的草地贪夜蛾自动识别

草地贪夜蛾是一种严重破坏农作物的重大洲际害虫,对我国农业生产造成了极大的威胁.尽管一系列防治措施已经展开,但如何有效辨别草地贪夜蛾仍然是防控工作中的一大难题.为了建立一个有效的识别算法,课题组开展了一系列研究工作,主要贡献在于:①采集了不同地域、不同生长区间的草地贪夜蛾及相似物种图片,建立了一个草地贪夜蛾识别数据库;②利用基于特征融合的深度学习算法,建立了一个三通道T型深度卷积神经网络(T-CNN),在现有数据集上平均识别率达到97%,为草地贪夜蛾的智能识别与防控工作提供了技术支撑.     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于深度卷积神经网络的棉花叶片缺氮诊断

为研究深度学习算法在棉花叶片缺氮水平诊断上的适用性,以智能手机作为图像采集工具,利用图像处理和深度学习技术建立基于棉花叶片图像的缺氮水平分级模型,为智能化诊断棉花叶片缺氮水平的研究提供可行方案。本研究在阴天、晴天2种环境下获取了5种氮素水平的棉花叶片图像,在此基础上选取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷积网络模型进行比较研究,并提出一种基于恒等映射和深度可分离卷积改进的ResNeXt模型来提升棉花叶片缺氮水平检测的效果。结果表明,与AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比,本研究提出的Improved-ResNeXt模型在对棉花叶片图像的缺氮水平分级时取得了最佳效果,该模型的识别准确率、平均精确率、Kappa系数分别达到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解决棉花叶片的缺氮水平诊断问题,且对阴天、晴天2种光照条件下的棉花叶片数据有良好...     

基于跨深度学习模型的作物病害检测方法

作物病害叶片症状是病害类型识别的依据,与作物病害发生相关的环境信息是作物病害预测的依据.由于病害叶片症状和环境信息的复杂多样性,使很多作物病害检测方法的准确率不高.针对大田作物病害检测难题,提出一种基于卷积神经网络(convolutional neural networks,简称CNN)和双向长短时记忆网络(BiLST...     

基于深度学习的网络水军识别技术研究

[目的 /意义]互联网的发展带动了社交网络的快速发展,为用户提供了一个方便的信息发布、传播和接受的渠道,但其低门槛的特性也催生了一批灰黑色力量——网络水军,他们传递虚假信息,破坏网络秩序,成为互联网生态中的一大问题。[方法 /过程]本研究提出了一种基于深度学习的网络水军识别模型,结合用户的基础信息、历史言论、交互行为3方面特征,并加入了“社交亲密度”属性,通过特征提取与向量融合,利用卷积神经网络构建起水军识别模型。[结果 /结论]通过实证分析与模型对比,实验构建的模型在精确率、准确率等指标均取得了较好的效果,可以为网络水军识别提供一定技术支持与理论指导。实验表明,利用机器学习方法主动识别网络水军账号,对重点账号进行实时监管与事前防范,可以更加及时有效地避免恶性网络事件发生,降低非法势力破坏舆情生态的风险。     

基于分层卷积神经网络的牧草种子识别模型

针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型.通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析.结果 表明:本模型对...     

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

转Bt基因棉花不同生育期对土壤微生物的影响

采用转基因棉花晋棉26号和具有相似遗传背景的常规棉花品种晋棉7号进行大田试验,评价转基因棉花对土壤微生物的影响。试验结果表明,除吐絮期外,转基因棉花土壤细菌和真菌数量显著增加;土壤放线菌数量在蕾期、花期和吐絮期比对照显著提高,而在苗期显著降低,收获期差异不显著;土壤氨化细菌数量在蕾期、吐絮期、收获期显著提高,而在苗期和花期降低;固氮菌数量在苗期、花期、吐絮期、收获期显著提高,而在蕾期显著降低;土壤纤维菌数量在苗期、花期显著增加,而在蕾期和吐絮期显著降低,在收获期差异不明显。     

基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数

鳞翅目害虫是蔬菜作物中最重要且常见的一类害虫。由于受到复杂田间背景,光照及害虫姿态等的影响,传统的害虫自动识别与检测计数方法准确率比较低。为实现在田间快速准确地对目标害虫进行自动识别和检测计数,分别提出了基于深度卷积神经网络的识别模型和检测计数模型。针对菜粉蝶、棉铃虫、甜菜夜蛾、小菜蛾、斜纹夜蛾这5种常见且容易混淆的蔬菜鳞翅目害虫,构建了分类识别数据集和检测计数数据集,并分别进行了实验,平均识别率达到94.5%,检测均值平均精度(mAP)达到76.6%,与传统方法相比,证明了此方法的优越性。实验结果表明,该方法对于蔬菜鳞翅目害虫的识别和检测计数是可行的,且达到了实际应用水平。     

锌肥喷施对棉株体内锌素分配动态变化的影响

[目的]探索棉花生长中对锌素吸收和积累的规律及不同浓度锌肥喷施对棉株体内锌素分配动态变化的影响.[方法]田间小区试验.[结果]苗期是棉花对锌素变化最敏感的时期;而蕾期和铃期是锌素吸收量最大的时期;花期生长最旺盛,吸收和消耗量均很大;虽然随着施锌水平的提高,各器官中锌含量都是逐渐升高的,但是总体来讲,苗期含量是最高的,蕾期和铃期差不多,其次是花期,吐絮期含量最低.[结论]根据不同棉花锌素吸收规律和不同生育时期对锌的消耗和积累规律来合理的补施锌肥,对棉花生产有重要意义.     

利用棉花不同生育期的拮抗内生菌协同控制棉黄萎病研究(英文)

[目的]探讨棉花不同生育期的生防菌组合防治棉花黄萎病效果,以期为植物其他土传病害的生物防治提供新的策略。[方法]分别筛选棉花苗期、现蕾期和结铃期的高抗黄萎病内生菌,测定其16SrDNA序列并进行比对分析,鉴定筛选出的3个菌株,探讨了该3个菌株在棉株内的定殖规律,并进行室内和田间防效测定。[结果]根据16SrDNA序列同源性,3个菌株分别鉴定为PaenibacilluspolymyxaYUPP-8、Paenibacillusxy-lanilyticusYUPP-1和BacillussubtilisYUPP-2。定殖评价试验结果显示3个菌株均能顺利定殖于棉花体内,施用剂量与其在棉株内的定殖量具有正效应关系,在棉花苗期定殖量最高的菌株为YUPP-8,在棉花现蕾期定殖量最高的菌株为YUPP-1,在棉花结铃期定殖量最高的菌株为YUPP-2。室内盆栽抗病结果显示3个菌株联合处理的棉株在开花期未发病,单菌处理的棉株在苗期发病率分别为:6.7%(YUPP-8)、6.7%(YUPP-1)和13.3%(YUPP-2);而此时对照的发病率高达80%。2010～2011年2年的小区防治试验结果表明3菌联合灌根处理效果优于单菌株施用效果,其中,2010年3菌联合灌根处理区棉花结铃期黄萎病发病率和病指分别为9.4%和6.5,对照分别为47.5%和32.8,2011年的结果趋势与2010年类似,但病害严重度更高一些。上述结果表明联合棉花各生育期的内生菌来防治棉花黄萎病具有巨大的应用潜力。[结论]该研究结果初步克服了目前生防菌开发中的缺陷,对其他植物土传病害的防治具有借鉴意义。     

利用棉花不同生育期的拮抗内生菌协同控制棉黄萎病研究

[目的]探讨棉花不同生育期的生防菌组合防治棉花黄萎病效果,以期为植物其他土传病害的生物防治提供新的策略。[方法]分别筛选棉花苗期、现蕾期和结铃期的高抗黄萎病内生菌,测定其16S rDNA序列并进行比对分析,鉴定筛选出的3个菌株,探讨了该3个菌株在棉株内的定殖规律,并进行室内和田间防效测定。[结果]根据16S rDNA序列同源性,3个菌株分别鉴定为Paenibacillus poly-myxa YUPP-8、Paenibacillus xylanilyticus YUPP-1和Bacillus subtilis YUPP-2。定殖评价试验结果显示3个菌株均能顺利定殖于棉花体内,施用剂量与其在棉株内的定殖量具有正效应关系,在棉花苗期定殖量最高的菌株为YUPP-8,在棉花现蕾期定殖量最高的菌株为YUPP-1,在棉花结铃期定殖量最高的菌株为YUPP-2。室内盆栽抗病结果显示3个菌株联合处理的棉株在开花期未发病,单菌处理的棉株在苗期发病率分别为:6.7%(YUPP-8)、6.7%(YUPP-1)和13.3%(YUPP-2);而此时对照的发病率高达80%。2010～2011年2年的小区防治试验结果表明3菌联合灌根处理效果优于单菌株施用效果,其中2,010年3菌联合灌根处理区棉花结铃期黄萎病发病率和病指分别为9.4%和6.5,对照分别为47.5%和32.82,011年的结果趋势与2010年类似,但病害严重度更高一些。上述结果表明联合棉花各生育期的内生菌来防治棉花黄萎病具有巨大的应用潜力。[结论]该研究结果初步克服了目前生防菌开发中的缺陷,对其他植物土传病害的防治具有借鉴意义。     

棉花生育期的主位点组遗传分析

【目的】品种早熟性是高产、稳产的基础,对早熟陆地棉亲本及其组合进行有利、不利位点基因型分析,为早熟陆地棉育种提供理论依据。【方法】以来源不同的6个陆地棉品种为亲本,采用半双列杂交配制组合,应用作物数量性状主位点组分析方法,估计亲本遗传组分及杂种F1熟性性状的有利及不利主位点组。【结果】在以611波、金字棉为遗传背景的早熟亲本新陆早8、10号中,生育期主位点组基因型主要表现为++,明显缩短各生育阶段的天数;早熟性相关性状的遗传以加性效应为主,加性效应值依次为生育期花铃期苗期蕾期。在中熟亲本荆8891中,++及——主位点组基因型的加性效应同等重要。晚熟亲本宁早1号、苏棉12和TM-1几乎所有++及——主位点组基因型均是不利的,表现为各生育阶段的延长。在苗期、蕾期、花铃期、全生育期等主位点组的效应中,J=16位点组加性效应值大于其它位点组,表明该位点组的存在能明显缩短生育期。杂种F1熟性的表现不仅受杂合位点的影响,也受纯合位点的影响,杂种生育阶段的长短主要取决于主位点组的杂合性。【结论】棉花早熟性相关性状中,主位点组加性效应均大于显性效应。蕾期、花铃期主位点组加性效应对早熟性起主导作用。     

基于深度学习网络的烟叶质量识别

概述了烟叶质量和熟成度分类的主要依据,采用自动编码器预训练方法重构的卷积神经网络构建了烟叶质量识别模型,并采用实地采集的数据集进行了实验验证,结果表明重构的深度训练自编码器在分类性能上达到99.92%的准确度。     

基于空间插值分析法的棉花生长适宜性评价

利用GIS软件提供的空间插值法分析处理南阳市宛城区离散的土壤养分监测点数据,将点状 数据插值为面状数据,并进行了棉花生长适宜性评价,此次工作结果不但对指导宛城区棉花的生产 有实际意义,而且此次的方法也可为其它工作提供一些借鉴。     

棉蚜茧蜂对不同品种、不同生育期棉花的趋性行为反应

【目的】研究棉蚜茧蜂对不同品种、不同生育期棉花的趋性行为反应,为了解天敌昆虫与寄主之间关系,利用棉蚜茧蜂对棉蚜等害虫进行防控。【方法】以生产上大面积种植的GK-12(对照为泗棉3号)、新棉33B(亲本为新棉33)和SGK321(亲本为石远321)等3组棉花品种为材料,于棉花7叶期、现蕾前期和现蕾期,设计无虫棉植株、被棉蚜为害后剔除虫体的植株以及棉蚜+有虫株等3种不同处理,借助“Y”型嗅觉仪,检测棉蚜茧蜂在棉花不同生育期对这3种不同处理的趋性。【结果】棉蚜茧蜂无法识别健康的常规棉和转基因棉花植株;对不含棉蚜的被害棉来说,转基因棉对棉蚜茧蜂更具吸引力。而对含有棉蚜的有害棉来说,除7叶期GK12、新棉33B和现蕾期GK12这3组处理外,其他各组的转基因棉对棉蚜茧蜂均具较强的吸引作用。【结论】两类不同的棉花品种对棉蚜茧蜂不存在排斥性,棉蚜为害转基因棉花后更能吸引棉蚜茧蜂。