排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
为了早期诊断由黑腐皮壳真菌(Valsa mali Miyabe et Yamada)引起的苹果树腐烂病,该研究基于表面增强拉曼光谱(surface-enhanced Raman scattering,SERS)技术,以腐烂病菌丝、病原菌丝侵染的苹果树和健康的苹果树枝作为研究对象,结合S-G平滑和迭代自适应加权惩罚最小二乘法进行拉曼光谱预处理,经解析发现病原菌丝与染菌样本在1 598、1 595 cm-1和2 930、2 925 cm-1附近敏感谱峰明显区别于健康样本。重复试验分析发现,病原菌侵染可致寄主特征谱峰偏移以及谱峰强度改变:健康样本在1 286 cm-1附近的特征峰随病原菌的侵染偏移至1 365 cm-1附近;健康样本在1 286与1 587 cm-1附近的谱峰强度比值小于0.5,染菌样本在1 365与1 595 cm-1附近的谱峰强度比值大于0.5,而菌丝在1 327与1 598 cm-1附近的谱峰强度比值大于1.0;1 5... 相似文献
2.
【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于 Android 的苹果树皮病害识别
APP 以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病 3 种病害的图片
数据,经扩增和标注后按照 8 ∶ 2 比例进行训练集和测试集的划分。使用 YOLOv5s 算法训练苹果树皮病害识别
网络模型,对训练得到的轻量级网络模型进行 Android 端部署,并设计相应 APP 界面,实现对轮纹病、腐烂病、
干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在 88.7%,召回率稳
定在 85.8%,平均精度值稳定在 87.2%。其中腐烂病准确率为 93.5%,干腐病准确率为 88.2%,轮纹病准确率为
84.3%。将其在 Android 端部署后,每张病害图片处理时间均小于 1 s,检测置信度为 87.954%。该轻量级识别系
统不仅实现了 3 种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s 网络权重模型小,能够轻松
实现 Android 端的部署,且基于 YOLOv5s 设计的 APP 操作简单、检测精度高、识别速度快,可以有效辅助果园
精准管理。 相似文献
1