木霉生防作用研究进展

由于化学防治成本较高和易污染环境，而且病原物易对杀菌剂产生耐药性甚至抗药性，所以，在植物病害防治中越来越多的人们开始探索利用生物防治的方法来解决植物病害问题，生物防治逐渐成为人们所关注的焦点和热点，尤其是拮抗木霉（Tri2 choderma spp．）在植物病害防治中的应用倍受人们的关注。     

基于Xception-CEMs神经网络的植物病害识别

随着深度学习技术与农业的密切融合,越来越多的研究将深度学习技术用于农业病虫害检测,提高农产品产量和质量。本文提出一种新颖的基于Xception模型的植物病害识别方法。了解到植物病害图像会受到不确定环境因素的干扰而减小图像信息。在Xception的基础上,提出一种新的通道扩增模块,采用带有通道分配权重的多尺度深度卷积与组卷积结合,增强空间和通道的特征提取效率;在网络中采用通道扩张-保持-再扩张-压缩的新策略,进一步优化通道特征提取;引入密集连接方式,提高在同尺寸的特征图之间特征重用。试验数据集由10种不同植物的50类图像组成,分别包括10种健康植物和27种病害,其中对13种病害进行了两种程度的分类。本文的方法在这些类别上可以获得91.9%的准确率,88.7%的精确率,82.45%的召回率以及85.33%的F1值。本文的算法有更小的模型复杂度和参数量,计算量为29.33 M,为Xception的66.4%。参数量为14.05 M,为Xception的66.9%。因此,Xception-CEMs能够有效对病虫害进行识别,有利于农业智能化发展。     

基于小样本学习的植物病害识别研究*

为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。     

气象对植物病害的影响及防治

正在适合病害发生发展的环境条件下,在一个时期或一个地区内,病原物由气流传播,再侵染频繁,而引起了病害的大量发生,不仅是发病率普遍,而且发病程度也严重,这种现象叫做病害的流行。而经常引起流行的病害,叫做流行性病害。这类病害常给农业生产带来毁灭性灾害。因此,也是植物病害研究工作中的主要对象,如小麦锈病、赤霉病、稻瘟病、稻白叶枯病、番茄和马铃薯晚疫病、黄瓜霜霉病等。2009年2月3日至中旬,温州等浙南地区番茄晚疫病大发生,成为流行性病害,温州市各县     

我国植物病害生物防治的现状分析及发展策略

植物病害是干扰植物健康生长的重要因素,从生物防治的角度对植物病害进行研究,可以有效的借助于微生物及其代谢产物进行防治。本文从植物病害生物防治的机制及特点描述出发,对我国植物病害生物防治的研究现状进行分析,最后阐述了一些发展策略。     

基于植物叶片图像的植物病害检测方法

对植物病害准确、快速的识别是对植物病害采取防治措施的基础,同时对灾害评估也具有积极意义。在判别局部保持映射(DLPP)的基础上,提出了1种植物病害识别方法。该方法试图找到1个映射矩阵,使得高维数据映射后,在低维子空间同类样本之间的距离最小,而异类样本之间的距离最大,由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验,并与其他植物病害识别算法进行比较。结果表明,DLPP对玉米病害的识别是有效可行的,识别精度高达85.5%。