地膜残留量对棉田土壤水分分布及棉花根系构型的影响

根系是获取水分和养分的重要器官,并通过根区环境的相互作用影响作物的生产效率,分析地膜残留量对土壤水分及根系构型的影响对认识、分析和评价残膜污染,发展残膜防控技术具有重要意义。该文通过2 a田间模拟试验,设置了0 (A)、225 (B)、450 (C)、675 (D)和900 kg/hm2(E) 5个地膜残留量处理,分析了地膜残留量对土壤水分分布及根系构型的影响。结果表明,残膜量对土壤水分,根系形态、产量及水分利用效率均有一定影响。根系生物量的80%～95%分布于0～30 cm的土层范围,该区域是土壤水分分布及棉花根系构型受地膜残留量影响较显著的区域。无残膜(0 kg/hm2)处理的土壤水分状况、根系构型显著优于高残膜量(900 kg/hm2)处理。随着残膜量的增加,生育期内0～50 cm土壤平均含水率逐渐降低,各土层出现不同程度的水分亏缺,并产生水分优势流或水分阻隔效益。残膜量的增加显著降低了根系生物量、根质量密度、根长密度、根表面积密度、根系体积和根系平均直径。残膜含量的增加显著降低了产量和水分利用效率。2 a数据表明,与A处理相比,E处理生育期土壤含水率平均降低了37.36%,根质量密度平均降低了70.73%,根长密度平均降低了61.35%、根表面积密度平均降低了216.50%、根系体积平均降低了47.39%、根系平均直径平均降低了82.65%。籽棉产量和水分利用效率平均降低了18.50%和13.69%。因此建议采取合理的棉田净土措施,降低残膜污染对土壤水分及根系构型的影响,有利于提升产量和水分利用效率。     

残留地膜对棉花和玉米苗期根系形态和生理特性的影响

通过盆栽试验,研究不同残膜量(0、90、180、360、540、720、900 kg·hm~(-2))对苗期棉花和玉米生长(干物质、株高和叶面积)、根系形态(根长、根表面积)和根系生理(根系活力、过氧化氢酶CAT、过氧化物酶POD)的影响,并探究对两种作物根系影响差异显著的残膜量临界值。结果表明,在0~540 kg·hm~(-2)残膜量范围内,残膜对苗期棉花的株高和叶面积不会造成显著降低的影响;随着残膜量的增加,苗期玉米株高和叶面积逐渐降低,在90 kg·hm~(-2)残膜梯度下开始显著降低。随着残膜量的增加,苗期棉花和玉米的根长、根表面积以及根系活力、CAT和POD活性呈现先增加后降低的趋势,最大值出现在90~180 kg·hm~(-2)残膜量梯度范围内,最小值出现在900 kg·hm~(-2)残膜量。由于玉米的须根系众多,根系与残膜接触的面积大,导致苗期玉米产生显著差异的残膜量临界值小于苗期棉花。残膜量在90~180 kg·hm~(-2)区间内,残膜会作为一种适度胁迫,作物苗期根系会主动进行适应性的生长,超过该范围残膜会对作物根系的生长造成阻碍作用。     

膜下滴灌不同灌水定额对玉米根系生长的影响

玉米根系的分布特征受多种因素的制约,其中影响最大的有土壤水分和生育期阶段等,通过分析不同灌水处理条件下,不同生育期,土壤深度与根长密度和根重密度的关系,研究膜下滴灌玉米各生育期根系在不同灌水定额处理下的分布规律,利用大田代表植株挖根试验得到的实测数据进行根长密度和根重密度计算。结果表明:根长在表层土壤中,随着水分的胁迫减轻,呈现增大趋势,深层反之,而且最大根深出现在80 cm处,在大喇叭期,处理1在20 cm土层根长密度最小（77.27 mm/cm³）,处理9最大（143.31 mm/cm³）,在40 cm土层,处理8的根长密度最小（16.11 mm/cm³）,处理1最大（24.89 mm/cm³）。根重密度与根长密度的规律基本一致,水分胁迫能促进根系向下伸长,在玉米拔节期,处理1在20 cm以上土层根干重仅占总根干重的67.9%,而处理9在20 cm则达到了90.2%。随着生育期的推进,表层根重密度随灌水量增大而增大,在大喇叭期,处理1的根重密度为8.16×10^-4 g/cm³,处理7为2.358×10^-3 g/cm³ 。水分胁迫使得根系深扎吸取水分来补偿亏缺,并且根变得较细较小,这说明根系自身会做出水分适应性环境调整,以达到重要机制的平衡。     

浅析沙棘根系在砒砂岩地区坡面上的分布情况

以人工种植在砒砂岩地区坡面上的中国沙棘的根系为研究对象,通过对其不同径级的三个生长指标：根密度、根长、根量进行研究,可以得出：沙棘根系主要分布在0-40 cm土层范围内,这种分布为浅根型分布,且水平根系比较发达。对于径级〈3 mm的根系,它的根密度值在表层最大,之后沿土层深度的增加而减少;其它径级的根系其根密度的实测点分布呈现出表层较少,10-20 cm处最大,20 cm以下沿土层深度的增加而递减的规律。根长随根系径级的增加大致呈现出减小的趋势。根量则反之,随径级的增加而增大。具有固氮能力的根瘤主要分布在0-40 cm的土层内,在表层最多。     

农用地膜残留对土壤氮素运移及烤烟根系生长的影响

为了揭示不同残膜量对土壤硝态氮和铵态氮运移及烤烟根系生长的影响,设置 0（CK）、450 kg·hm^-2（T1）、900 kg·hm^-2（T2）以及1 350 kg·hm^-2（T3）四个残膜梯度,进行土柱淋溶试验和盆栽试验,测定土壤硝态氮和铵态氮含量以及烤烟根长、根表面积、根体积、平均根系直径、根尖数和干物质累积量等指标。结果表明,地膜残留对土壤养分运动产生阻滞作用,硝态氮和铵态氮的迁移明显减弱;随着残膜量的增加,烤烟根长、根表面积、根体积等根系形态参数逐渐降低,根系生长受到抑制。当残膜量高于900 kg·hm^-2时,对烤烟根部和地上部生长产生明显影响。因此,地膜残留会明显阻碍土壤养分的运移并制约烤烟的生长发育。     

玉米和大豆根系对滇中地区坡耕地红黏土抗剪强度的影响

水土流失是限制山区坡耕地持续利用的主要问题。为探讨农作物根系固土机理,采用无侧限压缩试验测定了素土、玉米和大豆成熟期根土复合体的抗剪强度和应力应变特性,WinRHIZO(Pro.2019)根系分析系统测定了根系构型特征,分析了根土复合体力学特性与根系特征参数间的关系。结果表明：（1）玉米和大豆根系能显著增强土体抗剪强度（P<0.01）,其根土复合体强度相对素土分别提高了117.65%和71.91%;(2)两种农作物根土复合体黏聚力c与根长密度、根表面积密度、根体积密度、根重密度均呈极显著正相关（P<0.01）,其中D≤1mm细根对黏聚力增量Δc的贡献大于其他径级根系;（3）根系构型性状中,玉米根分支数高于大豆45.44%且各径级根系分布更均匀,其根土复合体随含根量的增加,在破坏时表现出弱应变硬化特征且裂缝拓展变缓,侧向变形减小。综上农作物根系均能增强土体抗剪强度,但根系结构类型不同则对土体力学特性的影响不同,细根和分支数较多的玉米根系更能有效增强土体强度和约束变形,因此须根系玉米对表层土体的固持能力优于直根系大豆。坡耕地利用中,可以通过合理布局须根系农作物来防治水土流失。     

施钾方式对高产春玉米根系分布及其活力的影响

[目的]探讨施钾方式(一次性施入和钾肥后移)对高产春玉米根系特性的影响,为高产春玉米钾素养分调控提供理论依据。[方法]以金山27玉米为供试品种,2个施钾水平(K2O 150和300kg/hm2)及施钾后移处理下,测定不同生育时期各土层根系干物质重、根系活力及其酶活性,成熟期测定根条数、根幅。[结果]300kg/hm2施钾水平与150kg/hm2施钾水平相比,各土层根系干重增加,尤以吐丝前0—20cm土层为根干重增加幅度最大,20—60cm土层根干重占总干重比例减小,尤以乳熟期为甚;各土层根条数、最大根幅增加,最大根幅下移;各生育时期各土层根系活力、超氧化物歧化酶(SOD)活性和过氧化物酶(POD)活性随施钾量增加而增加,丙二醛(MDA)含量下降。相同施钾水平下,施钾后移各生育时期0—60cm各土层根系干重减小;0—20cm土层根干重占总干重比例增加;最大根幅、根条数及最大根幅深度均减少,且随土层深度增加差异增大;各土层根系活力、SOD酶活性和POD酶活性降低,MAD含量增加。[结论]300kg/hm2施钾量较150kg/hm2施钾量促进玉米根系生长,且延缓根系衰老,尤其可促进深层根系的生长;同一施钾水平下,施钾后移则促进作用不明显,甚至降低了根系的干重。     

有机肥与种植密度对旱作玉米根系生长及功能的影响

在大田条件下研究了基施有机肥及3种种植密度（60,75,90千株/hm2）对旱作玉米根系生长和功能的影响。结果表明,在大喇叭口期,基施有机肥显著降低了30—100cm土层内的根长与根表面积,但对根干重影响不显著;由于基施有机肥处理地上部生物量更大,因而显著降低了根冠比;种植密度对该时期根系生长的影响较小。在蜡熟期,基施有机肥限制了30—100cm土层及1/4行间、行间与膜下位置的根系分布,但对根冠比的作用不显著。该时期根长、根表面积及根干重均有随密度增加而减少的趋势,该趋势在0—30cm土层和株上位置表现显著;种植密度的增加也降低了根冠比。有机肥延缓根系衰老作用不明显,其根系导水率与不基施有机肥处理无显著差异;而在种植密度增加情况下,单位根系表面积吸水功能的提高弥补了根量减少带来的损失,表现出一定的适应性。     

玉米根系在土壤剖面中的分布研究

玉米根系在土壤剖面中的分布是准确量化植被与气候相互作用不可缺少的参数,也是玉米生产科学管理和节水农业发展的重要科学依据.在中国气象科学研究院固城生态环境与农业气象实验站内的大型根系观测系统中,采用地下室玻璃窗观测法和方形整段标本法,观测了"屯玉46号"玉米的根深、根宽、根长和根重,分析了玉米根长、根长密度、根重密度和根系粗度等在土壤剖面中的分布状况.结果表明,玉米根长、根干重均随土壤深度的增加基本呈递减类型.吐丝期0～40 cm土层根长占整层根长51.5%,0～80 cm土层占76.2%,0～120 cm土层占90.5%.乳熟后期其分布趋势与吐丝期相似.玉米根系粗度随着土壤深度增加,在上层呈减少分布型,在下层呈增加分布型.乳熟后期,玉米最大根深可达230 cm,根长总量达8.288 km·m-2,显示出该玉米品种有较发达的根系.通过玻璃窗观测的根深大于远离玻璃窗处的根深.     

适宜灌水施氮方式利于玉米根系生长提高产量

为研究不同灌水方式和施氮方式对玉米根系生长分布的影响,2011年在大田条件下采用垄植沟灌技术,设交替灌水、固定灌水、均匀灌水和交替施氮、固定施氮、均匀施氮2因素3水平的随机完全组合试验方案。分抽雄期、灌浆期和成熟期对0~100 cm土层监测植株正下方、植株正南侧和植株正北侧的根系生长状况。结果表明,灌水方式对各位置根长及根系总量影响均达显著水平,施氮方式只对植株南侧根长和根系总干质量影响显著,二者的交互作用只对植株北侧根长和总根长影响显著。交替灌水均匀施氮在监测时期内维持了较大总根长,并使得灌浆期植株不同位置根长、总根量(总根干质量除外)均较大,并最终获得较大的产量(11 524 kg/hm2)。而固定灌水固定施氮总根长最小,产量最低。各处理下0~40 cm土层根长所占整个土层根长比例均较高,该比值以交替灌水均匀施氮最大。对比发现,根系生长分布对灌水方式更加敏感,通过不同灌水与施氮调控玉米根系生长分布应集中在0~40 cm土层,交替灌水均匀施氮最有利于根系的生长和产量的提高,为垄植沟灌下较好的灌水施氮方式。该研究为通过不同灌水施氮方式调控作物根系生长并获得高产提供了一定理论依据。     

基于语义分割的非结构化田间道路场景识别

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将本文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,本文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为,相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。     

基于改进FCN-8s的灵武长枣图像分割方法

针对不同成熟度灵武长枣图像中多尺度长枣目标的分割问题,该研究提出了一种基于改进FCN-8s的灵武长枣图像分割方法.首先,建立包含不同成熟度灵武长枣图像的数据集.其次,提出一个多尺度特征提取模块,该模块以3×3卷积为主分支,增加1×1卷积和5×5深度可分离卷积作为辅助分支,以提取灵武长枣图像中的多尺度特征.然后,用多尺度...     

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。     

田间道路改进UNet分割方法

为了保证自动驾驶农机的安全行驶,需要对农田间道路进行高精度识别。该研究以北京市大兴区榆垡镇为研究地点,构建了农田间道路图像数据集,使用开源标注工具Labelme软件进行图像标注,以UNet为基本网络结构,针对分割过程中存在的道路边缘和远处道路分割效果较差等现象,提出了3个改进方向:在编码器网络中添加残差连接,增加网络复杂度;使用池化卷积融合结构完成下采样,增加可训练参数以减少信息损失。试验结果表明,使用ACBlock(Asymmetric Convolution Block,ACBlock)和DACBlock(Dilated Asymmetric Convolution Block, DACBlock)替换UNet中的卷积核,增加了卷积核"骨架"结构的权重和卷积核的感受野,提高了远处道路及道路边缘的分割效果,农田间道路分割的交并比值为85.03%,相较于原UNet提高了6.52个百分点,且高于ResUNet、UNet3+等网络。农机行驶速度在20 km/h左右,该研究网络对于1280×720像素大小的图片平均推理时间为163 ms,符合农机自动驾驶时间复杂度要求。该研究提高了自动驾驶农机对农田间道路的感知能力,为安全行驶提供了信息支持。     

基于通道特征金字塔的田间葡萄实时语义分割方法

复杂环境下葡萄的快速检测识别是智能采摘的关键步骤,为解决目前葡萄识别精度低和实时性差的问题,该研究提出一种轻量级葡萄实时语义分割模型（Grape Real-time Semantic Segmentation Model,GRSM）。首先,利用通道特征金字塔（Channel-wise Feature Pyramid,CFP）模块进行特征提取,该模块通过1?3和3?1空洞卷积的跳跃连接,在减少模型参数量的同时提取葡萄图像的多尺度特征和上下文信息;然后,采用池化卷积融合结构完成下采样,增加可训练参数以减少信息损失;最后,利用跳跃连接融合多种特征恢复图像细节。试验结果表明：该研究所提出的模型在田间葡萄测试集上达到了78.8%的平均交并比,平均像素准确率为90.3%,处理速度达到68.56帧/s,网络结构大小仅为4.88MB。该模型具有较高分割识别精度和较好实时性,能满足葡萄采摘机器人对视觉识别系统的要求,为葡萄的智能化采摘提供了理论基础。     

基于改进DeepLabv3+网络的马铃薯根系图像分割方法

为实现无接触、低成本的马铃薯根系图像快速准确分割,以阐明内蒙古阴山北麓地区马铃薯的根系时空动态分布特征为目的,该研究提出一种基于改进DeepLabv3+语义分割网络的马铃薯根系图像分割方法,并对其输出的图像进行根系长度计算,获得了马铃薯不同生育时期内不同土层下的根系长度。试验结果表明,改进的DeepLabv3+模型的均交并比（mean intersection over union,MIoU）和平均像素精度（mean pixel accuracy, MPA）分别为94.05%和95.72%,MIoU相较SegNet、PSPNet、U-Net和标准DeepLabv3+分别提高了6.67、4.92、8.80和4.21个百分点;MPA相较SegNet、PSPNet、U-Net和标准DeepLabv3+分别提高了6.7、4.86、8.25、4.53个百分点;训练时间为9.52 h,相较SegNet、PSPNet、U-Net和标准DeepLabv3+分别缩短了6.8、3.99、4.56和3.94 h;浮点运算次数（floating point operations,FLOPs）较SegNet、PSPNet、U-Net和标准DeepLabv3+分别减小了45×109、34×109、29×109、18×109;图像检测帧率较SegNet、PSPNet、U-Net和标准DeepLabv3+分别提高了15.3、11.7、11.4和9帧/s。与手动测量根系长度的回归分析的决定系数达到0.981。在苗期、块茎形成期、块茎膨大期和淀粉积累期,马铃薯80%的根系分别分布在0～20、0～30、0～40及0～30 cm土层内。该研究结果可为内蒙古阴山北麓地区马铃薯高产高效栽培技术提供理论基础。     

基于轻量级CNN-Transformer混合网络的梯田图像语义分割

梯田是一种传统的农业种植方式,发挥着稳定作物生产与水土保持效能,修筑梯田是发展农业生产的重要措施之一。快速、准确地对梯田区域分布信息进行采集,对提高粮食产量、治理水土流失以及规划区域生态等方面具有重要的作用与意义。无人机图像梯田道路边界模糊、具有较长的带状结构,为了更准确地获取梯田的边缘信息,受MobileVit启发,该研究在MobileViT block中引入了轴向注意力机制(axial attention),并采用编码器-解码器结构,提出了基于轻量级CNN-Transformer混合构架网络模型。模型编码器部分由改进的MobileViT block、融入了条形池化的逆残差模块和空洞空间金字塔池化模块构成,再通过有效设计摆放各模块的位置顺序来实现局部与全局的视觉表征信息交互,得到完整的全局特征表达;利用解码器对编码器提取到的多尺度特征图进行采样和卷积操作得到语义分割结果图。选取PSPNet、LiteSeg、BisNetv2、Deeplabv3Plus、MobileViT在相同测试集上进行对比试验,结果表明,该研究所提模型在精度与速度方面均具有一定的优势,其像素精度可达95.79%,频权交并比可达94.86%,模型参数量为8.32 M,实现了使用较少的参数和简单的方法对复杂无规则的无人机图像梯田区域对象较为准确的分割,将其部署到无人机上可以进一步获取梯田的形状、位置、轮廓等信息,及时准确地掌握梯田边缘信息为预防和修护加固梯田提供重要的依据,同时有助于梯田区域种植面积和范围的统计,以期为梯田和旱作区农业建设的发展提供参考。     

反卷积引导的番茄叶部病害识别及病斑分割模型

针对当前植物叶部病害识别模型易受阴影、遮挡物及光线强度干扰,特征提取具有盲目和不确定性的问题,该研究构建一种基于反卷积引导的VGG网络（Deconvolution-Guided VGGNet,DGVGGNet）模型,同时实现植物叶部病害种类识别与病斑分割。首先使用VGGNet计算多分类交叉熵损失进行病害分类训练,得到病害分类结果;其次设计反向全连接层,将分类结果恢复为特征图形式;然后采用上采样与卷积操作相结合的方法实现反卷积,利用跳跃连接融合多种特征恢复图像细节;最后使用少量病斑监督,对每个像素点使用二分类交叉熵损失进行训练,引导编码器关注真实的病斑部位。试验结果表明,该研究模型的病害种类识别精度达99.19%,病斑分割的像素准确率和平均交并比分别达94.66%和75.36%,在遮挡、弱光等环境下具有良好的鲁棒性。     

基于DBSE-Net的大田稻穗图像分割

稻穗精准分割是准确估测水稻产量的关键。为实现大田环境下不同品种与生育期稻穗的准确分割,该研究提出了基于注意力机制的稻穗分割网络（Double Branch Squeeze-and-Excitation Network,DBSE-Net）。首先,提出一个双分支压缩与激励（Double Branch Squeeze-and-Excitation,DBSE）注意力模块,通过同时使用全局平均池化（Global Average Pooling,GAP）和全局最大池化（Global Max Pooling,GMP）编码输入特征的通道信息,以实现更精准的通道注意力推断。然后,为了强化稻穗特征并抑制背景区域特征,将DBSE模块添加到编码-解码分割框架中构建DBSE-Net分割网络。最后,在自采集的稻穗图像数据集上进行分割性能测试,DBSE-Net对稻穗分割的像素准确率、平均交并比和F1分数分别达到了94.32%、87.59%和91.86%,比次优模型DeepLabv3+的结果分别高出1.61、2.56和1.20个百分点,在单张256×256（像素）图像上耗时0.03 s,是DeepLabv3+分割速度的5.3倍。在公开的稻穗图像数据集上进行泛化性能测试,DBSE-Net能够有效分割出稻穗区域。该研究结果表明,DBSE-Net能够对不同品种与生育期稻穗实现高效精准分割,具有良好的泛化性,可以为水稻产量评估提供参考。     

多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法

黄瓜病害叶片中的病斑区域分割是病害检测与类型识别的关键步骤,分割效果将直接影响病害检测和识别的精度。针对传统方法对于黄瓜病害叶片图像分割精度低和泛化能力弱等问题,提出一种基于多尺度融合卷积神经网络（Multi-Scale Fusion Convolutional Neural Networks,MSF-CNNs）的黄瓜病害叶片分割方法。MSF-CNNs由编码网络（Encoder Networks,ENs）和解码网络（Decoder Networks,DNs）两部分组成,其中ENs为一个多尺度卷积神经网络组成,用于提取病害叶片图像的多尺度信息;DNs基于九点双线性插值算法,用于恢复输入图像的尺寸和分辨率。在MSF-CNNs模型训练的过程中,使用一种渐进微调的迁移学习方法加速模型的训练,提高模型的分割精度。在复杂背景下的作物病害叶片图像数据库上进行病害叶片图像分割试验,并与现有的分割方法全卷积网络（Fully Convolutional Networks,FCNs）、SegNet、U-Net、DenseNet进行比较。结果表明,该MSF-CNNs能够满足复杂环境下的黄瓜病害叶片图像分割需求,像素分类精度为92.38%、平均分割准确率为93.12%、平均交并比为91.36%、频率加权交并比为89.76%。与FCNs、SegNet、U-Net、DenseNet相比较,MSF-CNNs的平均分割精度分别提高了13.00%、10.74%、10.40%、10.08%和6.40%。使用渐进学习训练方式后,训练时间缩短了0.9 h。该方法为进一步的黄瓜病害检测和识别方法研究提供了参考。