基于深度学习的玉米叶片病害识别方法研究

玉米叶片病害是造成的玉米质量差、产量低主要原因之一。为了对玉米叶片病害进行快速准确识别,提出了基于ResNet（Residual Neural Network）深度学习网络对玉米病害识别的方法,采用ResNet 作为玉米病害识别的主体模型,利用数据增强技术来扩充数据集,扩充后的数据集图片包括训6000 张练集和1645 张测试集,并使用预训练网络AlexNet、GooLeNet 和ResNet 进行识别玉米叶片病害的性能对比实验,研究发现在批量尺寸为32 个和epoch 次数为16时ResNet50 获得最高的分类准确率为92.82%,优于传统机器学习算法。     

深度学习在农作物病害识别中的研究进展

农作物病害是严重影响农业生产的关键因素之一。近年来,深度学习技术迅速发展,其在农作物叶部病害检测和识别领域的应用逐渐受到关注。本文对基于深度学习的农作物病害识别方法进行总结,分析了该技术在农作物病害识别中的应用,从田间环境、成本和数据量等方面入手探讨其需要解决的一些问题,并对其发展进行了展望,为今后农作物病害识别的深入研究与发展提供参考。     

基于数码图像的小麦条锈病病害程度分级方法

小麦条锈病发病广、发病率高,严重影响农业生产,造成小麦产量重大损失.病叶严重度是获取小麦条锈病病害信息的主要参数.为更好、更便捷地获取小麦条锈病病害信息实现对小麦条锈病单叶病害严重度分级,讨论一种利用数码图像对小麦条锈病进行分级的方法.首先从拍摄的数码图像中选取发病严重度为1％、5％、10％、20％、40％、60％、80％、100％的小麦叶片(以植保专家目测为标准),对应设置为1、2、3、4、5、6、7、8级,每个级别各30张叶片,共计240张,从每个类别中选取10张做数据分析,20张作验证.利用K-means聚类法、形态学变换等操作将小麦叶片与背景分割开,然后对采集的RGB图像通道分离获取R、G、B分量图进行G、R分量加运算,在小麦叶片染病前期,小麦条锈病严重度为1～4级,G+R图像就能较好地区分出病斑区域与健康区域,随着病害程度加深黄化严重,G+R图像不能很好地区分出病斑区域,通过改变R分量图的权重,对5、6、7、8级40个样本进行数据分析,发现G+1.7R时表现出的拟合性和精度最好,采用最大类间方差法(Otsu)对G+R、G+1.7R图像进行分割,将病斑从小麦叶片中提取出来;最后根据染病面积占叶片总面积的百分比对小麦条锈病病害程度进行分级.160个不同病害等级的小麦叶片验证样本中,24个样本被错误分级,136个样本被正确分级,发病程度较轻的1～4级分级正确率为92.5％,发病程度较重的5～8级分级正确率为77.5％,总体分级正确率为85.0％.基于数码图像对小麦条锈病病害程度分级识别方法操作灵活、方便,相对于传统田间目测分级提高了分级正确率,为识别小麦条锈病叶片病害程度提供了一种操作快速简单、成本低且方便普及的新方法.     

基于深度学习的病害识别方法研究

当前在大面积生产中,主要病害的发生严重威胁农作物健康持续发展,亟须高效的病害识别方法来解决人工识别耗时、误判及效率低等问题。通过SONY@6300数码相机和开源数据库获取3种病害图像各150张,利用Labelme标注图片病斑,经过图像增强得到2 250张图片并构成数据集,按照8∶1∶1的比例划分为训练集、验证集和测试集。训练Deeplabv3+、 U-Net、 U-Net++等3种神经网络模型,对3种病害的图片进行预测并评价,比较在相同迭代次数下的损失曲线;根据对测试集进行预测的混淆矩阵,计算其精准度、召回率和F1得分。综合对比这3种模型的性能,结果表明U-Net++效果最好,3个评价指标均在97%以上,对病害的分割性能也优于Deeplabv3+和U-Net模型。研究结果可为生产上病害防治提供科学指导,也可为其他作物的病害识别提供技术参考。     

小麦条锈病的控制策略和方法探讨

探讨了我国小麦条锈病的发生和控制策略,评述了条锈病防治中各种方法的特点,并结合前人研究结果提出了利用小麦多品种混播控制条锈病的生态治理措施。     

基于深度残差网络的玉米病害识别

针对人工诊断玉米病害成本高、效率低、时延长等问题,提出一种基于深度残差网络的玉米病害识别网络TFL-ResNet.TFL-ResNet网络基于ResNet50网络,首先引入Focal Loss损失函数使模型专注于难分类的病害样本,其次将ResNet50网络在PlantVillage数据集训练好的参数迁移到改进网络上以完...     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

品种混种对小麦条锈病发生和小麦产量的影响

为探索适用于小麦条锈病绿色防控的品种混种模式,选择甘肃省农业科学院植物保护研究所甘谷试验站和中国农业大学上庄实验站为研究地点,分别以小麦品种陇鉴9825、天选66号和陇鉴9822以及铭贤169、北京0045和农大211为研究对象,在两地均设置9个单种和混种处理,调查条锈病的普遍率、病情指数、病害进展曲线下面积(AUDP...     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

小麦条锈病对小麦产量的影响

为了研究条锈病对小麦产量的影响程度,利用充分接种与药剂保护作比较,对产量及产量构成因素进行量化分析.结果表明:接种与药剂防治间产量差异达极显著水平,参试材料减产幅度达1.07%~29.16%,减产明显;条锈病反应型、普遍率、严重度发生的严重程度是小麦减产的主要原因;除免疫、近免疫材料外,产量构成因素穗粒数、千粒重均有不同程度的降低,处理间达极显著水平;小麦减产与穗粒数下降有关,但与千粒重下降关系更大.该研究说明条锈病对小麦产量的负向作用显著,对小麦的危害严重;同时也证实了利用化学药剂适时防治小麦条锈病的可行性和必要性.     

陕甘小麦品种及抗源的高温抗条锈性研究

小麦苗期接种条锈菌(PucciniastriiformisWest.)后,分别采用高温(21±1)℃和常温(14±1)℃处理,测定了陕西、甘肃两省主栽品种及抗源的高温抗条锈性。结果表明,陕927、陕897、兰天1号、豫麦21和钱保德等品种具有高温抗条锈性,陕农757、西植9420、M8003-06、绵阳11、繁6、天选36和里勃留拉等品种可能具有高温抗条锈性。     

基于CPSO-SVM 的小麦条锈病预测模型研究

针对BP神经网络在建立模型时没有确定网络结构的缺点和支持向量机(SVM)模型参数选择对预测精度影响大的局限性,提出一种结合混沌系统的粒子群算法(CPSO)去优化SVM模型的惩罚因子C和核函数中参数σ的混合模型,利用混沌系统的不确定性理论使传统的粒子群算法能有效克服收敛速度慢、容易达到局部最优值的缺点,使CPSO算法能更快、更准确找到全局最优值.经过参数优化SVM模型有效提高了预测精度并利用新的混合模型对宁夏地区小麦条锈病流行级别进行预测.结果表明,相对于传统SVM模型、组合PSO-SVM模型和组合PSO-BP神经网络模型,研究提出的混合模型(CPSO-SVM)在预测精度及模型的泛化能力上均优于以上3种模型,可对小麦条锈病发病及流行程度进行精确的预测,并为农业病虫害研究部门提供有效的理论依据.     

基于CPSO-SVM 的小麦条锈病预测模型研究

针对BP 神经网络在建立模型时没有确定网络结构的缺点和支持向量机(SVM)模型参数选择对预测精度影响大的局限性,提出一种结合混沌系统的粒子群算法(CPSO)去优化SVM 模型的惩罚因子C 和核函数中参数σ的混合模型,利用混沌系统的不确定性理论使传统的粒子群算法能有效克服收敛速度慢、容易达到局部最优值的缺点,使CPSO 算法能更快、更准确找到全局最优值。经过参数优化SVM 模型有效提高了预测精度并利用新的混合模 型对宁夏地区小麦条锈病流行级别进行预测。结果表明,相对于传统SVM 模型、组合PSO-SVM 模型和组合PSO-BP神经网络模型,研究提出的混合模型(CPSO-SVM)在预测精度及模型的泛化能力上均优于以上3 种模型,可对小麦条锈病发病及流行程度进行精确的预测,并为农业病虫害研究部门提供有效的理论依据。     

几个小麦持久抗条锈品种病情扩展动态研究

在我国小麦条锈病常发易变区的陇南,对抗条锈性上分属不同类型的9个品种进行田间成株期病害发生特点的比较研究。结果表明参试的9个品种条锈病的反应型均为感病类型,主要差别表现在普遍率和严重度上。Libellula和N. Strampelli的普遍率和严重度保持最低水平,咸农4号与清农3号保持低严重度与普遍率,但在发病20 d后普遍率有一快速上升,其它品种均在发病后10 d左右达到较高的普遍率与严重度。Libellula、N. Strampelli和咸农4号同为持久抗性品种,但抗病机制不同。感病反应型、低普遍率与低严重度是持久抗病性的表型特点,但反之是否成立,以及持久抗病性表现的分子机制等尚需深入研究。     

源于叙利亚小麦抗条锈性的遗传分析

分别用小麦条锈菌优势小种条中31号和条中32号接种,对源于叙利亚的ICA31I、CA70分别与川麦28杂交的F1、F2和BC1群体进行抗病基因分析,研究了它们在成株期抗性表现及杂交后代的抗感分离情况。结果表明,ICA31对条中31号和条中32号均表现出由1对显性纯合基因控制;ICA70对条中31表现出由1对显性基因和1对隐性基因的互补作用控制,而对条中32表现为由一对隐性基因控制。     

意大利抗病小麦品种Pascal抗条锈性的遗传分析

在2000~2003年,以我国陇南重要外引小麦品种Pascal作母本,铭贤169作父本进行杂交,子代材料苗期分别接种条锈菌单孢菌系条中29号、洛13-Ⅲ、条中31号、条中32号和水14,抗性遗传结果表明,对条中29号,F1代植株抗感分离比为5∶12,BC1代植株全部为抗病株,F2代植株抗感分离比为46:31,符合理论比9:7,卡方测验结果也符合这一结果;对条中32号,F1代植株抗感分离比为6∶5,BC1代植株抗感分离比为4:4,F2代植株抗感分离比为24:49,符合理论比1:3;对洛13-Ⅲ,F2代植株抗感分离比为10:48,符合理论比1:3;对条中31号,F2代植株抗感分离比为20:55,符合理论比1:3;对水14,F2代植株抗感分离比为6:69,符合理论比1:15.卡方测验值均符合理论值.据此推知pascal对条中29号的抗性由2对显性互补抗性基因控制,对洛13Ⅲ、条中31号、条中32号的抗性均由1对隐性抗性基因控制,对水14的抗性由2对隐性抗性基因控制.     

小麦条锈病高光谱遥感监测技术研究

利用ASD地面非成像光谱仪对小麦条锈病进行了单片病叶及冠层的光谱特征研究。结果表明,健康、发病及处于潜育期的小麦植株在某些特定波段的光谱反射率存在显著差异;并且不同孢子堆密度的小麦单片病叶的反射光谱曲线也存在相应差异;对小麦条锈病冠层光谱的研究发现,在930nm附近,病情指数(y)与冠层光谱反射率(x)的相关性达到了极显著水平,二者之间的回归模型为:y=-2.5173x+1.2217(R2=0.9484)。     

我国条锈病核心疫源区陇南冬小麦育种策略

根据我国条锈病核心疫源区甘肃省陇南地区的生态和生产条件,对近年来在小麦抗条锈病育种及品种抗病性利用研究方面的进展做一简要总结,针对存在的问题,提出了小麦育种在产量、品质、抗病性和适应性等方面的育种策略及构想.