基于CDSSM的作物病害处方推荐方法

作物病害诊断积累了大量电子处方数据,对电子处方数据二次利用,实现作物病害处方智能推荐是植保领域重要的研究内容。对此,本文构建基于CDSSM的作物病害处方推荐模型,实现多种类作物病害的诊断和处方推荐。基于病害标准知识库对作物病害处方数据进行筛选,并进行数据扩充,同时结合领域知识构建标准处方库;构建基于CDSSM的作物处方推荐模型,根据文本特征生成语义向量,计算语义向量的余弦距离,结合标准处方库完成融合地区、时间、作物种类、生长期等多个因素的处方精准推荐。从病害诊断、处方推荐、针对番茄病害处方推荐和不同输入对处方推荐的影响4方面展开结果分析,并与基于DSSM、DSSM-LSTM、Cosine、Jaccard、BM25的模型结果进行对比分析;结合实际应用需求设计并构建面向移动终端的作物病害处方推荐应用“处方宝”。结果表明,基于CDSSM的作物病害处方推荐模型病害诊断正确率为71%,处方推荐准确率为82%,优于其他5种作物病害处方推荐模型;针对番茄病害处方推荐准确率更高。本文构建的基于CDSSM的作物处方推荐模型可以满足实际应用需求,还能够进行病害种类的扩充,可以作为作物病害处方推荐的高效辅助...     

基于LightGBM和处方数据的番茄病害诊断方法

为高效地挖掘植物病害处方数据并辅助精准诊断,以番茄病毒病、番茄晚疫病、番茄灰霉病3种病害为研究对象,构建基于贝叶斯优化LightGBM的番茄病害智能诊断模型,探索作物病害处方数据挖掘及其精准诊断。重点对处方原数据（文本数据标签和One-hot编码等）进行预处理,以基于Wrapper的递归特征消除法进一步提取作物病害处方数据的特征;利用基于LightGBM算法构建番茄病害诊断模型,并与K近邻（KNN）、决策树（DT）、支持向量机（SVM）、随机森林（RF）、梯度提升决策树（GDBT）、AdaBoost和XGBoost常见机器学习模型运行结果进行比较分析并进行优化;设计基于LightGBM模型的Android手机端植物医生病害诊断APP。实验结果表明,基于贝叶斯优化的LightGBM模型综合诊断准确率可达到89.11%,比其他7种机器学习模型的诊断准确率平均高3.65个百分点;同时特征选择后的LightGBM模型在保证模型准确率的基础上降低了前期数据收集难度,模型综合准确率提高至89.34%,其中番茄病毒病的诊断精确度和F1值均达到96%以上,运行时间减少了47.73%;最后通过番茄叶霉病和番茄早疫病两种病害对本文模型进行了泛化能力测试,实验结果表明该模型具有较强的泛化能力和实用性。基于LightGBM模型设计的APP可以实现用户人群友好的交互式可视化且满足实际诊断需求。     

作物病害的计算机视觉和光谱检测技术研究进展

目前,计算机视觉和光谱技术已广泛应用于农业领域.为此,针对计算机视觉和光谱技术及其在作物病害检测方面的应用进行了详细的分析和研究,以求获得这些新技术在作物病害检测方面的应用现状,并在此基础上,对这些新技术在此领域的应用前景进行了展望.该研究对作物病害智能检测技术的发展将起到重要的推动作用.     

基于植物电子病历多类型数据融合的作物病害诊断方法

植物电子病历(EMR)以结构化和非结构化的形式记录了大量关于疾病症状、环境特征以及诊断开方的信息,为病害的智能诊断提供了优质知识来源,但是其样本量少、公开数据集缺乏和多种类型数据并存的特点给相关研究带来困难。根据植物EMR多类型数据混合的特点,提出了一种基于BERT-MPL数据融合与注意力机制优化的作物病害诊断模型(BERT-MPL data fusion model based on attention mechanism, BM-Att)。首先采用BERT预训练语言模型抽取电子病历中非结构化部分的文本语义特征;其次通过one-hot编码和多层感知机(MLP)对结构化数据进行编码和向量维度的扩增;最后在特征融合阶段采用注意力机制强调关键特征,利用多层全连接层实现病害诊断。构建了番茄、黄瓜、生菜和西瓜4种作物的15种病害数据集验证模型的效果并进行消融实验,并且对比了CNN、RCNN、AttRNN、FastText、Transformer、BERT和ERNIE等处理文本数据的常见模型,以及BERT-ALEX、BERT-1dCNN、BERT-1dLSTM、BERT-1dAttLSTM、BE...     

基于计算机图像处理技术的黄瓜病害特征提取

精准识别作物病害的前提是精确提取其特征。为此,利用计算机图像处理技术,研究了黄瓜霜霉病的特征提取过程。使用高精度的光学设备直接进行数字图像采集,再运用图像预处理方法对图像数据进行优化,去除干扰,精确定位病斑部位;分析黄瓜霜霉病的表现形式,从统计量、颜色和形状3个方面分离出特征参数值15个。这些特征值将作为识别该病害的主要依据,大大提高了病害的识别精度。     

苹果病害智能诊断方法研究与设计

针对传统苹果专家病害诊断系统自学习能力差、准确率低的不足,研究并设计了人工神经网络的苹果病害诊断方法.采用动态编码对苹果病害模糊知识进行量化,构建BP网络诊断模型进行诊断;采用Java语言开发基于Web的病害动态诊断平台,用白水苹果病害样本进行了实验.该方法对20种苹果病害的诊断具有较好的效果,测试准确率达到85.4%.在获得必要领域知识的前提下,用神经网络进行苹果病害诊断准确率高,系统设计灵活,基于Web的诊断平台便于推广和使用.     

树木病害监测与诊断技术创新

树木病害的监测与诊断是森林保护和城市绿化管理的重要组成部分。随着全球气候变化和城市化进程的加快,树木病害问题日益严重,对生态系统和人类生活产生了重大影响。因此,发展高效、准确的树木病害监测与诊断技术显得尤为重要。目前,树木病害监测与诊断主要依赖于传统的目视观察和实验室分析方法,这些方法耗时费力且容易受到主观因素的影响。为了克服这些局限性,研究人员开始探索应用先进的传感器技术、机器学习算法和无人机遥感等创新方法。这些技术可以实现树木病害的早期检测、快速诊断和大范围监测,提高监测与诊断的效率和准确性。本文论述了树木病害监测与诊断领域的技术创新,探讨了现有技术的局限性并提出解决方案,展望未来的发展趋势。     

水稻病害孢子多光谱衍射识别与病害源定位方法研究

水稻真菌病害主要依赖真菌孢子在空气中进行传播。然而各种水稻病害孢子的形态相近,传统孢子捕捉仪和显微图像法难以对其进行区分。为了能够准确识别目标病害孢子并进行病害源定位,提出了一种水稻病害孢子多光谱衍射识别与病害源定位方法。为了解决传统衍射方法无法识别形态相似的缺点,设计了一种大视场、无透镜的多光谱衍射成像传感器。通过分析病害孢子衍射指纹图谱,解析稻瘟病菌、稻曲病菌孢子多光谱衍射成像特征规律。融合孢子的形态特征和吸收特性,提出指纹分离强度和相对峰差两个特征参数,建立孢子的多光谱衍射识别模型。通过仿真计算实验分析孢子传播规律,耦合环境信息建立孢子传播过程中的扩散模型。在无定向风及有定向风条件下分析孢子的空间分布情况,提出病害爆发源迭代质心定位算法。实验结果表明,本文方法对水稻病害孢子的识别率达到98.5%,对无定向风条件下的定位误差最低为4.9%,对有定向风条件下的定位误差最低为7.1%。     

波谱成像技术在作物病害信息早期检测中的研究进展

阐述了波谱成像技术在作物病害信息早期检测方面的研究进展。作物病害是制约农业生产稳定发展的重要因素。实时、灵敏、可靠的作物病害检测和防治是进行科学的作物生产管理的基础。利用多光谱图像、高光谱图像、热红外图像等波谱成像技术,结合作物病理学以及化学计量学的方法,对感病植株进行早期检测,建立能准确反映作物病害的检测模型和病害程度的定量描述模型,对提高作物抗病机制的研究,科学指导作物生产具有重要的意义。     

高效运算网络在作物叶部病害识别中的研究

卷积神经网络模型参数冗余太大,收敛速度慢,对硬件计算资源要求过高,导致适用性差,不适合布署在边缘侧的嵌入式设备上,且大多数识别模型鲁棒性差,在复杂环境下识别效果不佳.为解决以上问题,设计两个基本模块用于搭建病害识别网络:一是高效残差模块,采用残差和多种卷积分解结构,在保证识别精度的情况下简化模型;二是恒等残差模块,用于...     

深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...     

基于图像处理的农作物病害识别研究现状

农作物病害种类繁多,直接影响农作物的产量和品质,造成不可估量的损失.利用图像处理和模式识别技术简便、快速的识别农作物病害,为及时采取防治措施提供必要信息.为此,对图像处理在农作物的病害识别进行全面地论述.首先简单地介绍了图像处理在农作物病害识别中的重要性和概述,然后分别从国外和国内两个方面论述图像处理在农作物病害识别中的进展,最后指出了当今国内外研究中存在的问题和今后进一步研究的方向.     

农作物表型技术及其智能装备研究进展与展望

农作物产量相关表型性状参数的快速获取对作物育种以及产量相关研究至关重要,也是作物育种全程智能化的研究重点和难点.此外,作物基因组技术的快速发展让人类快速解析数量性状成为了可能,但作物表型数据的不足严重限制了这一可能.通过开发农作物表型测量技术和智能装备可加以解决.将作物产量相关表型性状参数获取技术及其智能装备用于作物的...     

基于迁移学习的农作物病虫害检测方法研究与应用

为了提高农作物病虫害严重程度（健康、一般、严重）的分类效果,采用迁移学习方式并结合深度学习提出了一种基于残差网络（ResNet 50）的CDCNNv2算法。通过对10类作物的3万多幅病虫害图像进行训练,获得了病虫害严重程度分类模型,其识别准确率可达91.51%。为了验证CDCNNv2模型的鲁棒性,分别与使用迁移学习的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型进行对比试验,结果表明,CDCNNv2模型比其他模型的平均精度提升了2.78~10.93个百分点,具有更高的分类精度,病虫害严重程度识别的鲁棒性增强。基于该算法所训练的模型,结合Android技术开发了一款实时在线农作物病虫害等级识别APP,通过拍摄农作物叶片病虫害区域图像,能够在0.1~0.5s之内获取识别结果（物种-病害种类-严重程度）及防治建议。     

农作物病虫害遥感监测关键技术研究进展与展望

病虫害是影响农作物健康生长、产量和质量的制约因素之一,加强农作物病虫害的监测,对农作物病虫害进行精准防控,对保障粮食安全,提高农产品产量和质量具有重要意义。随着信息技术的发展,农作物病虫害监测由传统的人工监测逐渐向自动化、信息化和智能化方向发展。农作物病虫害监测平台、监测传感器技术以及相关的数据分析和处理技术是研究农作物病虫害遥感监测的关键技术,这些关键技术的发展水平,决定了农作物病虫害遥感监测技术的发展水平。本文从监测平台、监测传感器技术和相关数据分析与处理技术3方面对农作物病虫害监测技术研究进展进行综述。在监测平台方面,归纳总结了地面监测平台、航空监测平台和卫星监测平台的国内外研究现状,并分析了上述平台优缺点;在监测传感器技术方面,综述了雷达传感器、图像传感器、热成像传感器和光谱传感器等在作物病虫害领域的研究进展;在相关数据分析与处理技术方面,阐述了经典统计算法、计算机图像处理算法、机器学习算法和深度学习算法在农作物病虫害监测领域的研究成果。最后提出了监测平台、监测传感器技术和相关数据分析与处理技术的未来发展趋势,以期为进一步促进我国农作物病虫害监测平台及相关技术的发展提供参考。     

小麦腥黑穗病害的模式识别诊断方法研究

针对小麦腥黑穗病害的形状和纹理特征选取了最有利于病害分类的6个特征参数,并分别利用最小距离法、BP神经网络和支持向量机3种模式识别方法实现了对小麦腥黑穗病害的诊断研究。对包括小麦网腥黑穗病、小麦印度腥黑穗病以及小麦矮腥黑穗病共48个孢子病害图像进行了分类诊断实验。实验表明,支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,当核函数是Sigmoid时,支持向量机法性能最优,总体识别率达到93.9%。     

农作物茎秆切割理论与方法研究进展分析

茎秆是农作物的主要副产品,也是世界范围内丰富的生物质资源。茎秆切割是刚性体与柔性体的直接互作过程,是茎秆处理的重要工序。茎秆切割与农作物高效低损伤收获及茎秆资源化利用密切相关,开展割刀与茎秆切割互作过程的研究是农艺农机深度融合的重要方面,对于农业生产与生态发展具有现实意义。为此,本文围绕茎秆切割的相关问题进行了国内外研究进展的综合评述与分析,具体为：围绕茎秆力学参数与本构模型,阐述了茎秆生物学特征与力学参数的关系、测试方法与设备、茎秆本构模型的建立及应用;结合割刀结构参数与型式、耐磨性能、自磨锐性能,介绍了割刀的结构型式与材料特性;针对割刀与茎秆的切割互作过程,系统介绍了切割原理,以及高效率、低功耗、低损伤等切割技术研究目标;从试验研究的具体参数及目标值到仿真研究的不同类型,梳理了两种研究方法在茎秆切割中的应用概况。在此基础上,结合现有问题,着重探讨了茎秆切割领域未来的发展方向,为农业生产中茎秆切割问题的深入研究提供了参考。