基于近红外光谱技术的农作物病害诊断

利用近红外光谱诊断农作物病害是近几年兴起的一种具有高效、准确和非破坏性的技术。为此,阐述了近红外光谱诊断农作物病害的原理;介绍了处理近红外光谱数据的关键技术以及建立光谱模式识别模型的方法;报告了近红外光谱技术在农作物病害诊断中的应用现状;提出了运用近红外光谱技术诊断农作物病害存在的难点;最后,指出了一些研究中有待解决的问题。     

水分管理技术对林业种植的影响及其优化策略研究

林业种植是维护生态平衡、保护水土资源、支撑家庭木材市场的重要产业,对国民经济的可持续发展具有重要影响。在林业种植过程中,需要大量的水分来促进树木的生长发育,但受气候变化、土壤质地和人类活动等因素的影响,水源供给往往处于不稳定的状态,过多或不足的供给都对树木的生长发育产生不利影响,导致木材质量下降,甚至导致树木死亡。传统的定时灌溉方法已不能满足树木的生长需求,需要探索更优化的水分管理技术。本文深入探讨了水分管理在林业种植中的重要性,分析了当前林业种植中水分管理技术存在的问题和挑战,提出了水分管理技术的优化策略,以提高林业种植效率、保护生态平衡,促进林业种植业的可持续发展。     

基于计算机视觉的芋头病害监测与识别

为深入及时掌握芋头病害的信息与生长动态,基于计算机视觉中的图像识别与特征提取技术,对芋头常见病害进行监测与识别研究。在全面理解芋头病害监测的内部波段划分与识别方法匹配基础上,融合计算机视觉的图像纹理特征识别与边界区域条件参数,建立芋头病害识别监测理论模型,通过系统的硬件仪器及电路配置、软件程序功能实现,进行芋头病害图像监测识别试验。结果表明:根据芋头常见病害的外形特征,可得到多组清晰化的芋头病害特征与症状显示图,是直观化识别与分类管控的重要依据。该监测系统整体芋头病害识别率较高,平均维持在88%以上,其中疽病的识别率可达到91.3%,试验效果良好且思路可行,对类似农作物病害的监测与识别技术优化有一定的参考价值。     

计算机视觉在香芋病害检测中的应用研究

针对传统的人工识别香芋病害的局限性、主观性的特点,基于计算机视觉技术设计了香芋病害识别系统,由病害图像采集装置、图像处理系统、形态特征提取系统和缺陷目标检测系统组成。通过提取香芋叶片的颜色特征和纹理特征,建立香芋病害数据库,并利用支持向量机(SVM)的方法对香芋病害识别。试验结果表明:基于计算机视觉的香芋病害检测系统能够准确识别香芋的病害类别,满足使用要求,能够为后续的香芋病害防治工作提供准确信息。     

水果病害视觉与光谱检测技术研究现状及展望

水果病害是影响果树健康生长、果实品质和产量的重要因素之一,及时、精准地掌握果树的病害信息并进行精准施药管控,对防范果园重大病害的发生和流行,保障水果的稳产优产具有重要意义。随着现代农业朝规模化、智能化和高效率的发展需求,视觉和光谱检测技术因具有无损检测、可规模化和高效率等优点,逐渐发展为检测水果病害的重要技术之一。梳理国内外机器视觉和光谱技术在水果病害检测应用领域的研究进展,介绍图像处理技术有较好的解释性,有利于与植保农艺研究相结合;深度学习技术有较好的精度和泛化性;透射光谱技术可用于检测果实内部病害;反射光谱技术可用于检测果实、叶片表面病害,并实现分级。最后,总结未来机器视觉与光谱检测技术优化和应用的方向,并展望水果病害检测的实际生产应用前景,以期为水果病害检测研究提供参考与借鉴。     

柑橘叶面病害监测颜色空间改进算法研究

柑橘叶面病害是影响柑橘产量和质量的重要因素,如何对柑橘叶面进行病害识别是后期病害检测的一个关键步骤。为了提高柑橘在各种病害环境下病斑图像识别的准确率,提出了一种针对柑橘病害监测的HSV颜色直方图空间的图像检索改进算法。此算法用颜色空间来展现柑橘病害所导致的颜色变动,根据柑橘叶面病变产生的异常颜色信息,结合传统直方图图像检索方法,对柑橘叶面图像颜色进行非均匀量化处理,且将非均匀化量化处理后的归一化颜色矩阵作为因子来进行图像检索。使用者可以经过使用这种形式来检测柑橘叶面图像,及早发现病害。与传统的方案相比,此算法在柑橘叶面病害监测方面的检索查准率和查全率均有显著提高,从而验证了本文算法的有效性。     

基于高光谱和集成学习的库尔勒香梨黑斑病潜育期诊断

黑斑病是危害库尔勒香梨的真菌病害之一。若在黑斑病症状显证之前实现早期诊断,对于防止病害蔓延、减少经济损失具有重要的意义。结合高光谱成像技术和Stacking集成学习算法,构建了香梨黑斑病早期快速诊断模型。获取了健康、潜育期、轻度发病和重度发病的黑斑病库尔勒香梨的高光谱图像,提取感兴趣区域内的平均光谱,经标准正态变量变换、一阶导数、二阶导数及组合预处理后,利用主成分分析进行数据降维。然后,以K最近邻法（KNN）、最小二乘支持向量机（LS-SVM）和随机森林（RF）算法为基学习器,以LS-SVM为元学习器,构建了黑斑病病害程度的Stacking集成学习预测模型。结果表明,随着病害程度加深,光谱反射率整体呈下降趋势,且存在显著性差异,为分类模型的建立提供了理论依据。所建模型对健康和不同病害程度黑斑病库尔勒香梨的总体判别准确率为98.28%,对潜育期香梨的判别准确率为100%。与利用单一分类器建模结果相比,总体判别准确率和潜育期香梨判别准确率分别上升5.18、23.08个百分点。结果证明,Stacking集成学习具有较强的特征学习能力,将其与高光谱成像技术结合,能实现库尔勒香梨黑斑病潜育期的识别。该结果为库尔勒香梨黑斑病的早期快速诊断和发病过程的实时监测提供了一种新的方法。     

LSPM柔性基层和钻孔排水 在沥青路面养护中的配合使用

近年来，随着沥青路面病害养护技术的进步，路面半刚性基层病害处理一直是养护工作者的难题，由于养护施工的局限性，恢复原水稳基层施工难以实施，而且传统的半刚性基层易产生收缩裂缝，反射到路面上形成路面裂缝，同时，其致密性导致无法排出沥青结构层及地下水分，从而造成了唧浆、冒水等病害，为了从根本解决这些病害，采用了大粒径透水性沥青混合料柔性基层施工工艺和钻孔排水施工工艺相互配合使用起到良好的效果，达到了快速高效的养护目的。     

基于Web of Science的作物病害监测和预警研究进展

作物病害是我国主要农业灾害之一,严重危害作物生长发育,威胁粮食安全。为宏观掌握作物病害的发展动态,了解作物病害监测和预警的研究前沿和应用热点,基于文献计量学方法,利用VOSviewer可视化软件,对2003—2022年间Web of Science核心合集数据库收录的作物病害监测和预警研究的相关论文进行可视化分析,为作物病害研究者跟踪研究前沿、把握研究方向提供理论参考。结果表明：作物病害监测和预警领域发文量整体呈现逐步上升趋势,具有广阔的发展前景;中国是作物病害监测和预警研究领域发文数量最多的国家,但研究成果质量需进一步提升;核心作者之间已形成固定的核心研究团队,发文量最多的作者来自以黄文江、张竞成、康振生和Varshney为代表的研究团队;研究成果主要刊载在Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture期刊上;发文的主要机构有美国农业部农业研究局、中国科学院和中国农业科学院;抗病基因育种、PCR诊断作物病害、卷积神经网络和深度学习分类作物病害和遥感监测作物植被指数是近2...     

光谱检测技术在种子质量检测中的应用

种子质量是影响作物产量关键因素之一,而传统种子质量检测方法难以满足其快速检测的要求,采用光谱检测技术可有效降低种子检验成本、提高检验效率。以玉米种子为研究对象,基于玉米种子光谱检测流程,阐述光谱检测技术在玉米种子活力、含水率与病害、品种与产地等方面的研究现状及现存问题。光谱检测技术已应用于玉米种子质量检测,预测模型的准确率90%左右,但存在着系统性不够,应用局限性、数据处理效率低等问题,从研究系统化、增强实用性、融合新算法等方面分析光谱检测技术在玉米种子质量检测中的发展趋势。光谱检测技术应用于种子质量检验具有重要的理论和实际意义。     

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.     

精准施药机器人关键技术研究进展

精准施药机器人是在及时获取作物病害信息的基础上,对病害部位进行准确的定量衡量,并根据其差异性采取变量施药,实现按需施药。精准施药机器人关键技术包括有针对性的作物病害识别技术、精准施药技术及自主行走技术,自主行走是基础,病害检测和精准施药是核心。根据目前的研究进展,综合阐述了精准施药机器人的技术分类及应用,总结了现有技术的局限性及重点需要解决的问题,并提出了未来精准施药机器人的发展方向。     

基于改进级联神经网络的大豆叶部病害诊断模型

针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。     

合成孔径雷达在农作物长势监测中的应用

合成孔径雷达(SAR)技术具有24小时全天候监测的优势,伴随着多频多极化SAR技术的发展趋势,在农业中也越来越普遍.本文综述了SAR技术在农业监测中的应用进展,重点包括SAR技术在作物分类与总面积获取、农业物理与微生物主要参数反演技术、农作物监测、农业灾害监测等方面的应用;揭示了SAR技术在农业监测中的发展潜力和局限性...     

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,...     

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。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

红外热成像技术在农业中的应用

介绍了红外热成像技术的基本原理和常用热图像处理方法,总结了红外热成像技术在作物水分胁迫、侵染性病害监测、冻害胁迫以及产量预测等领域中的应用,分析了红外热成像技术在农业领域的开发与应用中所面临的难题和未来的发展趋势,以期为红外热成像技术在农业上的实际开发应用提供参考。      

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.     

太阳能杀虫灯物联网故障诊断特征分析及潜在挑战

太阳能杀虫灯物联网（SIL-IoTs）是一种基于农业场景与物联网技术的新型物理农业虫害防治工具,通过无线传输太阳能杀虫灯组件状态数据,用户可后台实时查看太阳能杀虫灯运行状态,具有杀虫计数、虫害区域定位、辅助农情监测等功能。但随着SIL-IoTs快速发展与广泛应用,故障诊断难和维护难等矛盾日益突出。基于此,本研究首先阐述了SIL-IoTs的结构和研究现状,分析了故障诊断的重要性,指出了故障诊断是保障其可靠性的主要手段。接着介绍了目前太阳能杀虫灯节点自身存在的故障及其在无线传感网络（WSNs）中的体现,并进一步对WSNs中的故障进行分类,包括基于行为、基于时间、基于组件以及基于影响区域的故障四类。随后讨论了统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法等目前主要使用的WSNs故障诊断方法。此外,还探讨了SIL-IoTs故障诊断策略,将故障诊断从行为上分为主动型诊断与被动型诊断策略,从监测类型上分为连续诊断、定期诊断、直接诊断与间接诊断策略,从设备上分为集中式、分布式与混合式策略。在以上故障诊断方法与策略的基础上,介绍了后台数据异常、部分节点通信异常、整个网络通信异常和未诊断出异常但实际存在异常四种故障现象下适用的WSNs故障诊断调试工具,如Sympathy、Clairvoyant、SNIF和Dustminer。最后,强调了SIL-IoTs的特性对故障诊断带来的潜在挑战,包括部署环境复杂、节点任务冲突、连续性区域节点无法传输数据和多种故障诊断失效等情形,并针对这些潜在挑战指出了合理的研究方向。由于SIL-IoTs为农业物联网中典型应用,因此本研究可扩展至其它农业物联网中,并为这些农业物联网的故障诊断提供参考。