基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

基于改进YOLOv5s模型的柑橘病虫害识别方法

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

小麦种子纸床发芽防霉技术探讨

为减轻小麦种子在纸床上发芽发生霉变的现象，进行了浸种回干、预冷、冲洗、多茵灵处理和发芽温度调节等方面的试验。结果表明，发芽前进行浸种回干处理能明显减少小麦在不同温度下发芽的霉变现象，且与沙床20℃恒温下发芽率无显著差异。     

种子磁化处理对小麦发芽及产量等的影响

对小麦种子进行磁化处理,经过发芽和田间栽培试验,结果表明：种子磁化处理可以提高小麦的发芽率,增强发芽势,提高幼苗鲜重,有利于培育壮苗和增产。     

基于轻量化改进型YOLOv5s的玉米病虫害检测方法

针对复杂环境下目前现有的玉米病虫害检测方法的精度不理想、模型复杂、难以在移动端部署等问题,本研究提出了基于轻量化改进型YOLOv5s的玉米病虫害检测方法。首先,采用轻量级网络GhostNet替换原始YOLOv5s模型中特征提取网络和特征融合网络的卷积层,降低模型的计算量和参数量,提高运行速度,以满足移动端的部署要求;其次,为弥补GhostNet所带来的检测精度下降缺陷,在模型的主干特征提取网络中引入注意力机制,更加全面地评估特征权值,以增强玉米病虫害的特征,减弱无关信息的干扰,提升检测性能;最后,将模型的损失函数由CIOU替换为EIOU,以增强模型对目标的精确定位能力,从而提升模型的收敛速度和回归精度。试验结果表明,改进模型相比原始YOLOv5s模型在对供试玉米病虫害检测中,P、R和mAP分别提高了1.9个百分点、2.2个百分点和2.0个百分点,分别达到了94.6%、80.2%和88.8%;在保持较高检测精度的同时,模型的计算量、参数量和模型大小分别减少了50.6%、52.9%和50.4%,解决了检测模型在移动端的部署问题。     

基于改进YOLOv5网络的疏果前苹果检测方法

为了实现自然环境下疏果前苹果的快速识别和精确定位,满足果园智能化种植需求,提出了一种基于改进的YOLOv5深度学习的检测模型。首先,为了解决苹果的尺度大小不一带来的问题,改进目标检测层,在YOLOv5的第17层之后对特征图进行上采样,在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作,以生成不同尺寸的检测层。其次,为了克服复杂环境的影响,改进特征融合网络,使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合,来更有效地提取目标信息。最后,将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明,改进的模型经过8 274幅图像训练,在2 759幅测试集上的检测准确率为94.2%,召回率为95.2%,F₁值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络,准确率分别提高了4.4%、7.0%、2.3%,F₁值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络,图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明,在...     

喷淋发芽箱的设计、制作及喷淋发芽检测方法的确定

为进一步提升种子发芽检测结果的稳定性,以2个玉米品种(‘郑单958’、‘农大87’)和2个小麦品种(‘济麦22’、‘山农21’)为试验材料,设计制作喷淋发芽箱,包括3×2组喷淋头、塑料软管、水泵和定时器,种子无需消毒处理,直接放入发芽箱,开始定时定量喷水,每次喷淋持续1 min,6组喷淋头,每次喷水量共计1.9 L。首先筛选玉米和小麦种子发芽适宜喷淋间隔时间,并比较不同品种、不同活力种子、不同测试时间和不同人员操作的条件下,种子发芽检测结果的稳定性。结果表明,玉米和小麦种子适宜的喷淋间隔分别为3和4 h,喷淋发芽法检测到的种子发芽势、发芽率或简易活力指数(SVI)与卷纸发芽法检测结果无显著差异,但带菌率显著降低(P<0.05),该方法不必对种子提前消毒,发芽期间水势稳定。多时间点、多人验证结果均表明,喷淋发芽法的检测结果稳定一致,任意2次试验间的差距均在国家种子检测规程允许的误差范围之内。     

肥宝对小麦种子发芽的效应分析

采用单因子随机区组设计，分析了肥宝对小偃６号小麦种子发芽的效应，结果表明，在肥宝用量分别为０ｍｇ（ＣＫ）、１５ｍｇ，２０ｍｇ，３０ｍｇ和３５ｍｇ的６个处理中，用量从１５ｍｇ逐渐增加至３０ｍｇ，对种子的发芽势、根条数、根生长量均有明显或极显著的促进作用，尤以３０ｍｇ拌种的效果最佳，可使小麦种子发芽势提高２０％，根条数增加０．４１个，根生长量加快１９．２ｍｍ，芽生长量加快０．９７ｍｍ，３５ｍｇ用量的作     

微塑料对小麦种子发芽及幼苗生长的影响

为探究微塑料对农作物种子发芽及幼苗生长的影响,选取农业生态系统中普遍存在的3种微塑料[乙烯-乙酸乙烯酯共聚物(EVA)、线性低密度聚乙烯(LLDPE)和聚甲基丙烯酸甲酯(PMMA)]和小麦种子为实验对象进行种子发芽实验。结果表明:在试验微塑料浓度内,三种微塑料均在低中浓度(500 mg·L~(-1))对小麦种子发芽率有抑制作用,抑制率范围为2.86%～20%,而相较于对照组,在高浓度(1000 mg·L~(-1))时对种子发芽率具有一定的促进。微塑料对小麦种子活力指数抑制作用由强到弱依次为LLDPEEVAPMMA,EVA和LLDPE在低浓度时对种子平均发芽时间促进高于高浓度,且PMMA对小麦种子生长特征无显著影响。微塑料对小麦苗长、根长和干质量均没有显著影响,仅有LLDPE在10 mg·L~(-1)时明显抑制小麦芽长。     

基于改进YOLOv5深度学习的海上船舶识别算法

为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试。结果表明：在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6%、89.9%、90.5%,检测效果比YOLOv5模型分别提升了6.3%、4.8%、5.8%,比YOLOv4模型分别提升了19.1%、19.0%、19.3%;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1%、87.2%、87.6%,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8%、13.3%、13.5%。研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果。     

基于 YOLOv7 的无人机影像稻穗计数方法研究

【目的】利用深度学习技术开展基于无人机采集的水稻稻穗 RGB 图像进行稻穗快速计数技术研究,利于建立省工、省时、高效的产量评估预测,为后续收获、烘干、仓储工作以及品种试验评估等提供依据。【方法】在水稻齐穗 - 灌浆期,使用无人机采集水稻稻穗图片,通过对图片中稻穗的标注、分类以及训练,获得基于 YOLOv7 的网络结构模型,与田间实际调查结果进行对比和验证,针对该方法对不同亚种水稻稻穗的数穗计数精度作出评价。【结果】将得到的模型的预测结果与真实结果进行比较,对于相同的训练集,YOLOv7模型的重叠率（Intersecion of union,IoU）值的中位数普遍高于 YOLOv5 模型。仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度,YOLOv7 模型的 mAP@0.5 为 80.75%、mAP@0.25 为 93.01%,优于 YOLOv5l 模型的 mAP@0.5 值 73.36%、mAP@0.25 值 91.16%;两种模型对籼稻识别精度不高。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型,YOLOv7 模型的 mAP@0.5 为 73.19%、mAP@0.25 为 83.71%,优于 YOLOv5l 模型的mAP@0.5 值 72.77%、mAP@0.25 值 81.66%;但两种模型均对粳稻识别精度不高。对预测结果与实际调查结果进一步比较验证表明,仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度,模型预测值与观察值显著相关。其中 YOLOv7 模型对粳稻预测精度最高,R2 为 0.9585、RMSE 为 9.17;其次为 YOLOv5 模型,R2 为 0.9522、RMSE为 11.91。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型。其中 YOLOv7 模型对籼稻预测精度最高,R2 为 0.8595、RMSE 为 24.22。其次为 YOLOv5 模型,R2 为 0.7737、RMSE 为 32.56。【结论】本研究初步建立的基于无人机的田间水稻单位面积穗数快速调查方法,具有较高精度,可应用于实际田间测产工作,有利于克服人工田间估产工作量大、效率低、人为误差等问题,未来可进一步应用于可移动水稻估产装置的开发。     

飞播林木种子发芽检测技术

近年来，随着封山育林、退耕还林的步伐加快，陕西安康市已成为飞播要地，林木种子的播种质量受到关注，并有机会接触到林木种子质量检测任务(主要有油松、杉木、马尾松、侧柏等树种)。特别是其发芽检测技术确有独道之处，值得交流和探讨，对进一步拓展种子检验业务很有必要。     

小麦种子的鉴别

种子发芽能力的鉴别1 水浸简易发芽法 随机数取400粒种子,每100粒为一重复,分别放置,浸入清水18~24小时,取出,用湿毛巾(以拧不出水为宜)盖好,大约1-2天即可观察出芽情况,分别统计,计算发芽平均百分率。     

掌叶大黄种子发芽检验方法研究

为确定掌叶大黄种子发芽检验方法,通过梯度试验,比较了不同发芽前处理、发芽床以及不同发芽温度等对掌叶大黄种子发芽的影响,确定了适宜其发芽的最佳条件及首末次计数时间.结果表明:掌叶大黄种子适宜于纸上(TP)发芽;最适浸种温度为20℃,浸种时间为48h,发芽温度为20～25℃;首次计数时间为置种后第7d,末次计数时间为置种后第14d;光照对掌叶大黄种子发芽无显著影响.     

微量元素对小麦种子发芽状况的影响

[目的]研究不同浓度Zn2+、MoO42-、BO32-对不同小麦品种种子发芽状况的影响。[方法]供试小麦品种分别为陇育0456和陇育4号。ZnSO4·7H2O、Na2MO4·2H2O、H2BO3、1%次氯酸钠溶液浓度均分别为0.1%、0.3%、0.5%。[结果]浓度0.1%的Zn2+对小麦种子发芽表现为促进作用,浓度0.3%、0.5%的Zn2+对小麦种子发芽有抑制作用;浓度0.1%~0.5%的MoO42-、BO32-对小麦种子发芽均有胁迫作用,且随浓度的增加胁迫作用增强;BO32-对小麦种子发芽胁迫作用最大,MoO42-对小麦种子发芽的影响居中。[结论]同一离子不同浓度对同一品种小麦种子萌发有不同效应。同一离子同一浓度对不同小麦品种种子发芽效应不同。不同离子同一浓度对同一品种小麦种子发芽率亦不同。适宜的微量元素种类及浓度可促进小麦种子发芽。     

NaCI胁迫对小麦发芽的影响试验研究

通过不同浓度ＮａＣＩ胁迫对小麦发芽的影响的研究表明,ＮａＣＩ对种子萌发的影响表现在离子伤害和渗透胁迫２个方面,以ＮａＣＩ对发芽期幼苗生长的影响主要是抑制其根、芽的生长,其中受抑制最强的是根的生长速度,芽的生长速度次之,对根数的影响最小;不同品种受ＮａＣＩ胁迫的程度不同。