阻虫网和诱虫板组合防治番茄白粉虱效果研究

阻虫网和诱虫板组合防治番茄白粉虱效果研究结果表明:设置阻虫网和诱虫板组合的棚内白粉虱发生初盛期在12月底,虫量从高峰期的平均365头/百叶降低到75头/百叶,防治效果达到79.4%,应在生产上大力推广应用。     

黄色诱虫板在温室和露地诱虫谱的比较研究

对黄色诱虫板在温室茄子和露地四季豆上的诱虫谱进行了研究.结果表明,黄色诱虫板可诱集同翅目的粉虱、蚜虫、叶蝉、飞虱等,双翅目的斑潜蝇、各种实蝇、果蝇、寄生蝇、各种瘿蚊、摇蚊等,缨翅目的蓟马,半翅目的各种蝽类,鞘翅目的各种小型甲虫,膜翅目的各种蜂类,鳞翅目的各种小型蛾类(小菜蛾)、蝶类(菜粉蝶)等7个目几十种小型害虫的成虫.在温室设施内的黄板诱虫谱,同翅目害虫占87.97%,双翅目害虫占9.19%,缨翅目害虫占2.39%,其它害虫(包括半翅目、鞘翅目、膜翅目)占0.45%.在露地的黄板诱虫谱,同翅目害虫占28.96%,双翅目害虫占26.86%,缨翅目害虫占42.53%,其它目害虫占1.65%.黄色诱虫板诱虫谱广,对目标害虫诱杀作用十分明显,在露地对粉虱、斑潜蝇、蓟马、蚜虫的诱集量占总诱集量的83.75%,而温室则高达97.87%,温室内诱虫效果好于露地.     

不同颜色粘虫板对温室番茄主要害虫的诱集效果研究

本试验研究不同颜色粘虫板在不同悬挂方式下对日光温室番茄粉虱、蓟马、蝇的诱集效果,结果表明,黄色粘虫板诱集主要害虫的效果最好,蓝色粘虫板对蝇的诱集效果最好;悬挂密度1张/10 m2对主要害虫的诱集效果最佳,悬挂在垄的北缘或者南缘无显著差异.     

不同颜色诱虫板对草莓花蓟马的诱集作用

采用不同颜色的诱虫板(25 cm×20 cm)对草莓花蓟马[Frankliniella intonsa(Trybom)]进行了诱集试验.结果表明,草莓花蓟马在大棚内分布与温度和风向有关,不同位置蓟马数量存在显著性差异;对草莓花蓟马诱集效果最好的是天蓝色(G80,R200,B255),其次为白色,B3号天蓝色(G80,R200,B255)和6号白色(G255,R255,B255)诱虫板可经济有效地用于草莓花蓟马的诱集.     

蓝色诱集板诱杀辣椒害虫的效果

进行了悬挂不同高度和不同规格的蓝色诱集板诱集大棚辣椒害虫的试验。结果表明:蓝色诱集板诱杀辣椒植株上的害虫主要是蓟马,其次是螨类,粉虱最少。放置高度以距辣椒顶部15cm的诱杀能力最强,诱杀害虫数量最多。蓝色诱集板的规格以20cm×25cm的诱杀效果最佳。     

基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究

【目的】智能虫情测报灯诱捕到的农业害虫因种类繁多、虫体姿态多样、鳞片脱落等原因造成有些害虫图像存在种间相似和种内差异的现象。为了提高农业灯诱害虫识别率,针对YOLOv4检测模型检测到且容易混淆的19种灯诱害虫,本文提出了基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型。【方法】首先,根据灯诱害虫外观图像的相似性和检测误检的情况,将19种害虫分为6类;将所有害虫图像通过补边操作使得长宽相等,并缩放至统一尺寸224×224像素。为了提高模型的鲁棒性和泛化能力,对害虫图像进行镜像翻转、旋转180度、高斯噪声和均值滤波的数据增强,训练集、验证集和测试集样本量按照8:1:1比例划分。然后,针对6类19种农业灯诱害虫细粒度图像,建立了基于双线性注意力网络的农业灯诱害虫识别模型（bilinear-attention pest net,BAPest-net）,模型包括双线性特征提取、注意力机制和分类识别3个模块;通过修改特征提取模块的下采样方式提高特征提取能力;添加注意力机制模块让整个模型更关注于局部细节的特征,将双线性结构中的上下两个注意力机制的输出进行外积运算增加细粒度特征的权重,提高识别的准确性和学习效率;模型优化器使用随机梯度下降法SGD,分类模块中使用全局平均池化,旨在对整个网络从结构上做正则化防止过拟合。最后,在同一个训练集训练VGG19、Densenet、ResNet50、BCNN和BAPest-net 5个模型,对6类相似的19种农业灯诱害虫进行识别,以精准率、Precision-Recall（PR）曲线和平均识别率作为模型的评价指标。【结果】BAPest-net对6类相似的19种农业灯诱害虫平均识别率最高,达到94.9%;BCNN次之,为90.2%;VGG19模型最低,为82.1%。BAPest-net识别的6类害虫中4类鳞翅目害虫的平均识别率均大于95%,表明该模型能较好地识别出鳞翅目害虫。测试结果中仍存在少数相似度较高的害虫误判,特别当害虫腹部朝上或侧身,种类特征不够明显的时候容易引起相似害虫的误判。对于区分度较低的相似害虫需要更多的训练样本以获取更多的特征,提高模型的识别率和泛化能力。【结论】基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型可以自动识别6类相似的19种农业灯诱害虫,提高了农业灯诱害虫自动识别的准确率。     

不同颜色诱虫板对稻田昆虫的诱集效应研究

为筛选生态环保适用于稻田害虫防治的诱虫板,论文研究了基于CMYK调色技术的17种不同颜色诱虫板对稻田昆虫的诱集效果。结果表明：17种诱虫板诱集稻田昆虫隶属于7目22科,以双翅目昆虫诱集数量最多,达787头/板;不同颜色诱虫板对不同稻田昆虫诱集效果差异明显,浅蓝色(C50M0Y0K0)诱虫板对瘿蚊科害虫、橙色(C0M40Y100K0)诱虫板对叶蝉科害虫、皮粉色(C0M50Y50K0)诱虫板对蓟马科害虫具有明显的诱集优势,诱虫数量达486头/板、124头/板、378头/板,且上述诱虫板对稻田天敌昆虫友好,益害比分别为1∶36.5、1∶124、1∶144.7。以期为稻田诱虫板的应用提供理论依据。     

蛀干类害虫引诱剂诱虫谱及诱集的主要昆虫种群动态

为了弄清蛀干类害虫引诱剂林间诱捕马尾松蛀干类昆虫的效果,于2006—2008年每年的4—11月蛀干类昆虫活动期,在浙江省仙居县官路镇大北地溪林场应用蛀干类害虫引诱剂诱捕马尾松蛀干类昆虫。结果表明:蛀干类害虫引诱剂具有较广的诱虫谱,可以诱捕到危害马尾松枝叶和树干的昆虫16科42种,包括3种具携带松材线虫能力的昆虫,即松墨天牛、短角幽天牛和马尾松角胫象;天敌资源昆虫2科2种。天牛科、小蠹科和象甲科是马尾松蛀干害虫的优势群体,天牛科种类最多,达12种;诱捕到的优势种是立毛角胫象、松梢小蠹、短角幽天牛。蛀干类害虫引诱剂可以持续监测林间松墨天牛、短角幽天牛、马尾松角胫象、立毛角胫象和松瘤象等松树主要蛀干害虫成虫的发生时间、发生量和发生规律,连续使用还能显著降低林间蛀干类害虫的虫口密度,为监测、预报和控制松树主要蛀干害虫提供直接、客观的依据。     

基于贝叶斯决策的果树害虫图像分割研究

由于果树害虫图像中会存在背景区域,而用户关注的是图像中的害虫,需要把害虫从背景区域中分割出来。针对这种情况,提出基于贝叶斯决策的果树害虫图像分割方法。算法首先将图像中的像素分为前景和背景两类,获取两类的先验概率,取得图像中蓝色通道的灰度图,统计每个灰度级中像素出现的个数,计算出正态分布函数的参数,得到类条件概率密度函数。利用贝叶斯公式计算后验概率从而确定每个像素在两类中的归属。经过试验,可以有效的把前景区域分割出来。     

复杂背景下昆虫图像的快速分割与识别

昆虫图像分割是昆虫图像的识别与鉴定的重点和难点.目前,昆虫分割算法速度慢、过程复杂且大多数只针对于单一背景图像.为了更准确高效地实现昆虫图像的前景背景图像分离,提出一种基于逐像素聚类的端对端的昆虫图像分割方法,能够同时实现复杂背景下的昆虫图像分割与昆虫种类识别.采用覆盖5个昆虫目级阶元的37种实际场景下拍摄的昆虫图像作为研究对象,首先通过试验确定所提模型的最优参数设置,选择ResNet101作为分割模型的主干特征提取网络,在IoU取0.50时,其掩膜分支平均准确度均值、定位平均准确度均值及平均识别误差率分别为93.15％、95.06％和12.12％,分割每张昆虫图像仅需0.080 s,所提模型能够同步实现复杂背景下昆虫目标与背景的快速准确分割并进行分类.     

基于近红外图像的杂草识别研究

利用近红外图像识别杂草,使用均值法和最大方差自动取阈值法去除土壤背景,利用作物和杂草的形态差异识别杂草。结果表明,利用近红外图像进行土壤背景分割,相对误差小于0.049 0;应用形态学方法可有效识别作物和杂草,识别精度为85.0%-98.8%。     

基于Snake模型的水稻灯诱害虫轮廓提取方法的研究

[目的]建立基于Snake模型的水稻灯诱害虫轮廓提取方法.[方法]在matlab编程环境下,以3种常见水稻灯诱害虫（大螟、二化螟和直纹稻弄蝶）不同姿态图像为研究对象,提出了基于贪婪算法的Snake模型水稻灯诱害虫轮廓提取方法.[结果]首先选择不同姿态害虫的初始轮廓和能量权重;其次采用贪婪算法成功提取不同种类、不同姿态的水稻灯诱害虫轮廓;最后设计了GUI操作界面.[结论]该模型为带有虫体残缺、姿态各异的灯诱害虫形态特征提取提供了参考.     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

1种基于全局对比度的害虫收集方法

  目的  目前利用测报灯,通过灯光诱捕昆虫,并由计算机完成昆虫图像的采集、计数和识别已逐步成为害虫测报的重要方法。为了减少昆虫在采样盘上重叠造成的计数和识别误差,基于害虫图像,根据昆虫密度研究采样盘中昆虫的收集方法,从而提高采集效率和精度。  方法  根据昆虫在采样盘上姿态特点,提出基于全局对比度的图像分割方法,结合阈值迭代分割获得昆虫区域,计算昆虫比例,并控制采样盘翻转完成对昆虫的收集。  结果  通过对5种害虫的实际图像进行的试验表明:与水平集、大津法(OTSU)、阈值迭代法和基于直方图对比度的显著性检测(HC)4种算法相比,本研究方法在准确率和召回率上均提高10%以上,取得了较好的结果;同时,在分割速度上比水平集快3倍,与阈值和HC算法基本持平。  结论  基于全局对比度的分割方法简单、高效,在害虫自动测报中具有较高的实际应用价值。图7表1参17     

诱虫板的颜色、悬挂高度及方向对梨茎蜂诱杀效果的影响

梨茎蜂是危害梨树的主要害虫之一.在甘肃景泰梨园研究了不同颜色的诱虫板和黄色诱虫板的不同悬挂高度及悬挂方向对梨茎蜂的诱杀效果.结果表明,选用的7种诱虫板中的黄色诱虫板对梨茎蜂的诱杀效果最好,与其他色板相比差异显著.诱虫板不同悬挂高度对梨茎蜂的诱杀效果不同,以悬挂高度在1.5～2.0m处诱到的梨茎蜂数量最多,即诱杀效果最好;同时诱虫板悬挂于树冠外围,板面朝东西方向诱到的梨茎蜂数量最多,与悬挂于树冠外围,板面朝南北方向的和置于树冠内膛的相比差异显著.     

基于随机森林算法的多作物同步识别

作物类型遥感识别是农业遥感的重要组成部分,为获取作物种植面积、长势信息并进行产量估算提供了手段。目前,对玉米、水稻和小麦等大宗农作物进行单一识别或两类间分类识别的技术研究较多,对研究区多种农作物同步分类识别的研究较少。本研究基于随机森林分类器利用Landsat 8数据开展宁夏农作物分类,对八种主要农作物春小麦、玉米、水稻、苜蓿、蔬菜、葡萄、枸杞和瓜类进行同步分类试验。结果表明:随机森林方法可以满足研究区内多类作物同步监测的需求,精度可达80%以上。单时相分类精度可达到81.8%,后分类处理精度可达到82.8%,时间序列分类精度可达到85.1%,时间序列分类和后分类处理可以有效提高分类精度。随机森林分类精度随着树数量的增加而增大,当树的数量足够多时,模型趋于稳定,特征变量对精度的影响被控制在一定范围内,当特征变量设置为总特征变量的平方根或对数时,精度达到最佳。因此,基于对分类实验时效性的考虑,将参数分别设置为Ntree=100,Mtry=总特征变量的平方根或对数。     

温室蔬菜病害智能识别图像预处理及其特征提取方法的研究

采用计算机图像处理技术对温室蔬菜病害进行了智能化识别,并以黄瓜霜霉病为例研究了温室蔬菜病害智能识别图像预处理和特征提取的方法。试验选择白色作为病害叶片的背景,利用中值滤波法有效地去除了噪声的干扰,利用双峰法从背景中分离出病害图像,再对图像进行边缘检测,准确地提取了病斑的几何特征。该方法能够实现对病害图像的预处理,并且能够准确地提取病害特征。     

马铃薯芽眼图像的分割与定位方法

为了探索种薯自动化切种过程,填补关于马铃薯芽眼识别的研究空白,提出一种基于机器视觉技术的芽眼识别方法:从摄像头采集到马铃薯图像后进行计算机图像处理,从彩色空间中利用欧式距离直接分割芽眼区域,在灰度空间中对图像进行中值滤波后利用模糊技术对图像进行增强,之后利用动态阈值分割法分割芽眼区域,结合两个空间的分割结果后利用数学形态学处理方法标记出芽眼。结果显示:在彩色空间中,芽眼识别准确率为62%;在灰度空间中,识别率达到89%。将二者有机结合后,获得了96%的识别准确率。该方法识别成功率高,鲁棒性强,且芽眼区域标记完整,可为种薯切种自动化奠定基础。     

面向移动终端的农业害虫图像智能识别系统的研究与开发

【目的】农作物田间害虫种类繁多,存在种间相似和种内差异的现象,容易混淆。本研究开发一个面向移动终端的农业害虫图像智能识别系统,为广大农户和基层测报人员提供一个便捷准确的农业害虫智能识别工具。【方法】农业害虫图像智能识别系统包括装有系统APP的移动客户端、服务器和基于深度学习的农业害虫识别模型。APP是在Android环境下开发的,可安装于Android系统的移动设备中。APP包括登录模块、害虫信息查询模块、害虫智能识别模块、害虫地图标记模块和害虫专家远程鉴定模块,UI界面采用底部导航栏形式。移动终端与服务器间的信息交互采用HTTP协议,害虫采集地信息显示使用百度的Android地图SDK来实现,用户和害虫信息使用MySQL数据库进行保存。在相同训练集和测试集条件下,比较了不同深度卷积神经网络模型,筛选出基于DenseNet121的农业害虫识别模型具有最高的精准度和最低的虚警率。农业害虫识别模型的程序部署在阿里云远程服务器上,当服务器端接收到移动客户端上传的害虫图像时,运行害虫识别模型,识别结果通过服务器反馈给客户端,同时将上传的图像和识别结果保存在数据库中,便于害虫图像的追溯。【结果】...     

基于SVM和形态学的作物病斑图像分割方法

作物叶片病斑图像分割是作物病害自动识别的一个重要步骤,为了提高传统的基于阈值或聚类的叶片病斑分割方法的分割效果,提出了一种基于支持向量机(SVM)和形态学的病斑分割方法。首先利用SVM进行病斑图像分割,再利用开运算和闭运算来消除病斑图像中边缘的不连续性、病斑内部的小噪声和小洞。最后,通过对黄瓜细菌性角斑病图像进行试验,结果表明,所提出分割方法具有较好的分割效果。