基于改进YOLACT的油茶叶片炭疽病感染严重程度分级模型

[目的/意义]炭疽病(anthracnose)作为油茶生长过程中重要的病害,其严重程度的精准判定对于精准施药和科学管理具有重大意义。本研究提出了一种改进YOLACT(You Only Look At CoefficienTs)分级模型Camellia-YOLACT,旨在实现对油茶叶片炭疽病感染严重程度的自动、高效判定。[方法]首先在YOLACT主干网络部分使用Swin-Transformer来进行特征提取。Transformer架构的自注意力机制拥有全局感受野及移位窗口等特性,有效地增强了模型的特征提取能力;引入加权双向特征金字塔网络,融合不同尺度的特征信息,加强模型对不同尺度目标的检测能力,提高模型的检测精度;在激活函数的选择上,采用非线性能力更强的HardSwish激活函数替换原模型的ReLu激活函数。由于HardSwish在负值区域不是完全截断,对于输入数据中的噪声具有更高的鲁棒性,自然环境下的图像有着复杂的背景和前景信息,HardSwish的鲁棒性有助于模型更好地处理这些情况,进一步提升精度。[结果和讨论]采用迁移学习方式在油茶炭疽病感染严重程度分级数据集上进行实验验证。消融实验结果表明,本研究提出的Camellia-YOLACT模型的mAP75为86.8%,较改进前提升5.7%;mAPall为78.3%,较改进前提升2.5%;mAR为91.6%,较改进前提升7.9%。对比实验结果表明,Camellia-YOLACT在精度和速度方面表现均好于SOLO(Segmenting Objects by Locations),与Mask R-CNN算法相比,其检测速度提升了2倍。在室外的36组分级实验中进一步验证了Camellia-YOLACT模型的性能,其对油茶炭疽病严重程度的分级正确率达到了94.4%,K值平均绝对误差为1.09%。[结论]本研究提出的Camellia-YOLACT模型在油茶叶片和炭疽病病斑分割上具有较高的精度,能够实现对油茶炭疽病严重程度的自动分级,为油茶病害的精准防治提供技术支持,进一步推动油茶炭疽病诊断的自动化和智能化。

丘陵山地拖拉机调平与防翻关键技术研究现状与发展趋势

[目的/意义]丘陵山区的机械化、智能化是未来农机行业研究和发展的热点。中国丘陵山区耕地面积占比超过50%,且面临坡陡路窄、地块碎小、地形地貌复杂等多种环境因素制约,各生产环节存在“无机可用,无好机用”的现实问题,并且缺乏适合丘陵山区大坡度农机装备研发的理论支撑。[进展]综述了国内外丘陵山地拖拉机调平及防翻系统的研究现状。其中拖拉机车身调平技术平行四杆与液压差高式结构简单,折腰扭腰式更适合连续起伏的崎岖路面,重心可调与全向调平式坡地牵引性与适应性均较好;驾驶室及座椅调平技术基于角度传感器自适应控制,关键在于缓解驾驶疲劳提高舒适度;车身与农具姿态协同控制技术大都采用PID控制技术实现协同控制,但缺乏作业效果反馈机制;拖拉机防翻保护装置与预警技术在防翻保护架的基础上,通过环境模拟感知提前预判翻车危险信号并及时反馈。[结论/展望]未来丘陵山地拖拉机调平、防翻预警及无人化、自动化技术的发展方向:1)结构优化、灵敏度高、稳定性好的山地拖拉机调平系统研究;2)坡地适应性好的农机具仿形系统研究;3)环境感知、自动干涉的防翻预警技术研究;4)农机精准导航技术、智能化监测技术和农机作业远程调度与管理技术研究;5)坡地纵向稳定性理论研究。以期为研发符合中国丘陵山地复杂作业环境的高可靠性、高安全性山地拖拉机提供借鉴参考。

数据驱动视角下作物病害监测研究进展

作物病害监测的目标是及时准确地发现作物病害,以最大限度地确保农作物的产量。随着信息技术的发展,大数据为多源、多尺度监测作物病害提供了支持。目前数据驱动的方式受到广泛关注,其主要通过深度学习的方式挖掘数据中包含的病害特征,以实现对作物病害的监测。在此背景下,以往综述文献大多从模型结构、监测技术和病害类型等角度进行论述,弱化了数据基础。只有将数据和模型有效结合,才能实现精准、实时的作物病害监测。鉴于此,从数据驱动视角分析了当前作物病害监测领域的研究进展。在此过程中发现联合模型中多尺度情况研究较少,仍然是急需解决的问题。未来,不同尺度的作物病害监测耦合不同的数据驱动与识别模型将成为研究的重点。

基于Grad-CAM可视化与特征识别率结合的草地贪夜蛾及近缘种成虫识别模型评估

为提升草地贪夜蛾及其近缘种成虫识别模型的泛化能力,除识别准确率外,额外引入特征识别率对模型的泛化能力进行评估。将VGG-16-bn模型的全连接层以全局平均值池化层取代,并在模型训练阶段引入了Grad-CAM可视化结果进行训练指导,共构建了4种改进模型识别草地贪夜蛾及其近缘种成虫。结果表明,改进后的模型的识别准确率均在99.22%以上,VGG-16-bn-GAP模型参数内存需求仅为原始模型的10.98%。为评估模型的泛化能力,利用导向反向传播梯度值、Grad-CAM及Grad-CAM++对模型习得的特征进行可视化,并与专家进行人工识别的关键视觉特征进行比较。结果表明,改进的VGG-16-bn-GAP模型和VGG-16-bn-GAIN模型获得的草地贪夜蛾平均特征识别率比原始模型分别提高12.25%和13.42%。本文提出的以特征识别率评估模型泛化能力的方法,可为特征识别率和识别准确率的提升提供参考。

环介导等温扩增技术在农业病害检测中的应用综述

环介导等温扩增技术(loop-mediated isothermal amplification,LAMP)是一种新型核酸等温扩增技术,其原理是当温度为60~65℃时,DNA处于动态平衡状态,DNA双链打开,此时依赖Bst DNA聚合酶的链置换活性,使DNA可以在60~65℃的恒温下进行合成。其扩增引物是基于靶基因的6个特异性区域设计的,扩增阶段需要引物与样品DNA完全结合,才可以进行扩增,所以LAMP技术具有高特异性与高灵敏性。其反应温度恒定,不需要额外的控温设备,理想条件下仅需保温杯,即可进行DNA扩增。在田间检测时,只需提取样品总DNA,即可于田间进行病害检测,缩短了检测流程及时间,使病害检测更高效更便捷。在反应前或反应后加入特定染色剂,即可通过染色剂的变色情况进行反应结果的判定,使反应结果可视化。目前该技术已凭借其特异性高、灵敏性高、所用仪器简单(恒温水浴锅或保温杯即可)、检测效率高和检测结果可视化等优点,广泛应用于临床病原微生物检测、食品微生物检测、环境微生物检测、植物或微生物基因鉴定等领域。在农业病害的病原微生物(真菌、细菌、病毒、线虫)快速检测和诊断领域,已有很多研究针对各种病害建立了相应的LAMP检测技术。本文简要综述了LAMP技术原理、反应结果判定、优缺点和该技术目前在农业常见病原物检测中的应用,并对LAMP技术的应用前景进行了进一步的展望。

巴西樱桃在海南的引种表现及栽培技术要点

通过观测分析巴西樱桃在海南海口的物候期、生长习性、果实品质等引种表现,研究其在海南的生长适应性。观测结果表明:巴西樱桃在海南海口引种栽植表现较强的适应性,成年结果树抗寒、抗风能力较强,树势健壮旺盛,一年抽梢3次,种植后3~4 a即可开花结果,丰产性好,花期在2-3月,果实主要在4月中下旬成熟,成熟果实品质表现出果大(平均单果重4.99 g),病虫害少,适合在海南种植。同时,总结了巴西樱桃在海南的栽培技术要点,可为进一步开发巴西樱桃提供参考。

我国农作物病虫害智能监测预警技术新进展

近年来,随着计算机、互联网、物联网、人工智能、传感器、遥感等技术的快速发展,智能虫情测报灯、智能性诱捕器、昆虫雷达、无人机遥感、卫星遥感、智能识别App等现代智能农作物病虫监测装备及重大病虫害实时智能监测预警系统建设方面取得了比较明显的进步。本文综述了我国近5年在利用光谱遥感、昆虫雷达、图像识别等技术进行农作物病虫害监测预警研究和应用方面取得的重要进展,分析了各类技术存在的不足与难点,提出了未来发展的方向,以期为充分利用空天地多源数据实现农作物病虫害精准预报提供指导。

基于轻量化卷积神经网络的油茶病害识别

【目的】针对自然环境下油茶叶部病害图像识别准确率不高等问题,提出基于轻量化卷积神经网络ShuffleNet V2改进的多尺度油茶病害识别模型COLDR-Net(Camellia oleifera leaf disease recognition net)。【方法】通过嵌入高效注意力模块ECA(efficient channel attention)来增强图像中病斑特征信息。设计了一种多尺度特征提取单元MFE(multi-scale feature extraction)提升对细微病斑的识别能力。引入焦点损失(focal loss)函数替换交叉熵损失函数,缓解了样本类别分布不均衡导致模型对不同类别病害识别效果差异大的问题。采用Mish激活函数,避免了输入为负时产生的梯度消失问题,提升模型的表达能力。通过修剪网络层数及调整输出通道数优化网络结构,降低了模型的运算量和参数量,实现了模型的轻量化。【结果】该模型在油茶病害数据集上准确率和F1分数分别为97.19%和97.08%,相比于AlexNet(93.04%)、VGG16(94.18%)、ResNet18(94.5%)、ResNet50(95.45%)以及MobileNetV3-Large(93.41%)准确率均有提升,较改进前的模型提高了4.07%。模型参数量为2.61 M,FLOPs为0.24 G,移动端单张图像平均推理时间为67 ms。将模型部署在移动端Android平台开发了油茶病害识别系统。【结论】COLDR-Net模型能够有效满足油茶病害的实时识别需求,可为油茶病害防治和诊断及在移动终端等资源受限设备上应用提供参考。

基于知识蒸馏和模型剪枝的轻量化模型植物病害识别

深度学习为植物病害识别提供了新方法,但是目前大多数深度学习模型的参数众多,难以在存储和计算资源受限的智能手机或嵌入式传感器节点等边缘设备上使用。为此,以植物叶片为研究对象,基于知识蒸馏和模型剪枝方法开展基于轻量化模型的植物病害识别研究。首先,改进ResNet模型,在知识蒸馏中引入一个或多个助教网络训练模型;然后,经过稀疏化训练后,利用模型剪枝获得轻量化的学生网络模型;接着,使用助教网络和学习率倒带重训练该学生网络模型,在减小模型规模的同时保证模型的性能。结果表明:在包含14种植物共38个类别的数据集上,将模型剪枝90%后,模型准确率为97.78%,比原模型提高1.49百分点;在包含5个类别苹果叶的数据集上,将模型剪枝70%后,模型准确率为91.94%,比原模型提高4.85百分点。提出的轻量化模型能够移植在Android平台上并有效运行,可为嵌入式终端精准识别植物病害提供新方案。

基于菌群毒性与气象因子的水稻稻瘟病流行程度判别分析预测

稻瘟病是水稻上的一种毁灭性病害,利用科学的模型函数对稻瘟病发生流行程度进行预测预报是稻瘟病防控的有效方式。以降雨天数、降雨量、温度、稻瘟病菌致病力、无毒基因为变量参数,以稻瘟病发生指数为因变量,建立江西稻区稻瘟病发生流行程度判别模型函数。结果表明,稻瘟病发生指数与降雨天数、降雨量以及稻瘟病菌致病力有显著正相关性,与稻瘟病菌无毒基因频率、温度表现为显著负相关性;构建的预测函数模型对稻瘟病的发生级别预测回代检验正确判别率较高(80%以上),并且判别结果不会出现指数越级滑动。可将该方法作为水稻稻瘟病预测预报的参考依据,以指导水稻安全生产。

基于改进YOLOv7的水稻害虫识别方法

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。

当前及未来气候下四川省草地贪夜蛾适生区分布

【目的】阐释草地贪夜蛾在四川省的适生区分布情况,为四川省草地贪夜蛾监测预警及防控提供参考。【方法】对物种分布模型MaxEnt模型参数进行优化,运用优化后的MaxEnt模型以及最新版Worldclim 2.1气象数据对当前及未来不同气候背景下四川省草地贪夜蛾的适生区分布进行研究。【结果】草地贪夜蛾在四川省适生区总面积为2516.64万hm^(2),占全省总面积的51.18%。除川西高原的甘孜州、阿坝州及川西南凉山州的部分地区外,四川省其余各市均为草地贪夜蛾的适生区。整体适生区分布趋势为由西向东适生等级增高。未来气候条件下,草地贪夜蛾的适生区范围略有扩大。其中,高适生区面积较当前增加9.00%~37.67%;中适生区、低适生区面积较当前分别减少13.29%~52.21%、3.44%~26.08%;非适生区面积较当前减少1.60%~16.72%。【结论】四川省有着较广的草地贪夜蛾适生区。在未来气候条件下,四川省草地贪夜蛾适生区将向西向北扩张。

融合注意力机制的开集猪脸识别方法

针对闭集猪脸识别模型无法识别训练集中未曾出现的生猪个体的问题,本文设计了一种融合注意力机制的开集猪脸识别方法,可实现开集猪脸图像识别,识别模型从未处理过的生猪个体。首先基于全局注意力机制、倒置残差结构和深度可分离卷积构建了轻量级的特征提取模块(GCDSC);然后基于高效注意力机制、Ghost卷积和残差网络设计C3ECAGhost模块,提取猪脸图像高层语义特征;最后基于MobileFaceNet网络,融合GCDSC模块、C3ECAGhost模块、SphereFace损失函数和欧氏距离度量方法,构建PigFaceNet模型,实现开集猪脸识别。实验结果表明,GCDSC模块可使模型猪脸识别的准确率提高1.05个百分点,C3ECAGhost模块可将模型准确率进一步提高0.56个百分点。PigFaceNet模型在开集猪脸识别验证中的准确率可达94.28%,比改进前提高1.61个百分点,模型占用存储空间仅为5.44 MB,在提高准确率的同时实现了模型轻量化,可为猪场智慧化养殖提供参考方案。

作物病害智能诊断与处方推荐技术研究进展

由“植物诊所”形成的电子病历为作物病害处方推荐提供了新的思路。如何高效地挖掘电子病历数据并辅助作物病害处方推荐,目前还是亟待解决的研究热点问题。在总结和整理现有国内外研究文献的基础上,对基于显微图像的作物病害病菌孢子识别、基于光谱的作物病害诊断、基于电子病历的作物病害处方推荐等作物病害诊断与处方推荐关键技术进行了系统分析与讨论。综述结果表明,围绕作物病害病菌侵染过程,以智能化处方推荐需求为导向,开展基于电子病历数据挖掘的作物病害处方推荐研究,将成为一个研究重点。针对作物病害处方推荐过程中,存在由于作物病害致病机理复杂、作物品种及病害种类多、病害病症动态变化且特征多等特点和难点,研究基于电子病历数据挖掘的作物病害致病机理解析、诊断推理、智能化处方推荐及其应用策略,将是研究的重大方向;探索基于知识图谱分析、大数据挖掘和机器学习算法推理等关键技术的作物病害电子病历数据挖掘分析研究,从区域宏观视角可视化解析作物病害致病机理及其与特征间的关联关系,面向实际应用场景实现基于诊断推理的单一作物病害处方推荐、基于语义匹配的多种作物多种病害处方推荐,具有更大的实际意义。

农作物病害诊断方法现状和展望

为了给农作物病害诊断研究提供参考依据,更好地指导农作物病害诊断相关实践,本文介绍了农作物病害的产生原因及病害诊断的实现原理,并按病害诊断的实现依据对当前研究方法进行分类。基于环境成因的诊断方法主要通过传感器、物联网技术采集农作物的生长环境信息,从而实现病害诊断,适用于非侵染性病害和环境对病害发展起促进作用的侵染性病害。基于生物性成因的诊断方法主要依靠孢子检测、聚合酶链式反应(PCR)检测技术识别生物性病原,进而判断侵染性病害的种类。基于作物病症表现的诊断方法适用处于病症表现期的农作物病害的诊断,根据具体实现方式可分为基于光谱技术的农作物病害诊断和基于图像处理技术的农作物病害诊断。其中光谱技术可用于对病症表现不明显的早期病害进行检测,图像处理技术主要针对病症表现明显时期的病害诊断。最后总结了不同诊断方法的性能、效果和特点,同时对未来农作物病害诊断技术发展趋势进行了展望。

基于改进YOLO v3的红掌佛焰与病虫害特征检测研究

针对红掌人工分级效率低下且易对红掌植株造成损伤的问题,提出改进YOLO v3网络模型来实现对红掌佛焰与病虫害特征的提取与检测,实现红掌准确分级。将YOLO v3特征金字塔网络替换双向特征金字塔-3网络,提升模型的感受野。添加通道注意力模块,强化有效特征并减少噪声。使用解耦合检测头代替耦合检测头,提升模型的精度与泛化能力。实验结果表明,相比于YOLO v3、CSP-YOLO v3、Mask-RCNN等目标检测模型,在不明显降低检测速度的前提下,改进YOLO v3模型对红掌佛焰与病虫害特征检测具有更高的精确率和召回率,能适用大批量红掌分级鉴定,满足实际生产需求。

交互式双分支特征融合的草莓病害程度快速诊断方法

针对现有草莓病害程度诊断方法存在识别精度低、参数量大、推理时间长等问题,提出了一种基于交互式双分支特征融合的草莓病害程度快速诊断方法。该方法首先以短程密集连接模块为基础,构建一种轻量化的交互式双分支特征融合网络(Interactive bilateral feature fusion network,IBFFNet),用于提取图像的语义特征和细节特征。然后,通过注意力简化的金字塔池化模块获取上下文分支中的多尺度语义特征,利用边缘增强模块丰富空间分支中的边缘细节特征。最后,融合多尺度语义特征和空间细节特征,实现病斑和叶片区域的精确分割。在草莓叶部病害程度数据集上的实验结果显示,IBFFNet2_Seg的平均交并比达到77.8%,在单张NVIDIA GTX1050显卡上处理速度可达40.6 f/s,满足实际应用中对算法实时性和分割精度的要求。此外,在测试集上IBFFNet2_Seg预测病害程度与真实程度的决定系数R2为0.98,说明该模型可以准确预测草莓病害严重程度。本研究可为草莓病害精准防治提供可靠的技术支撑。

大田病虫害图像识别算法的联系与应用

近年来农作物病虫害情况呈加重态势,对粮食生产已构成直接威胁,提出了基于图像识别算法对大田作物进行病虫害数字化诊断与预警系统应用的方案设计,采用YOLOv3算法实现目标检测,引入卷积注意力模块(CBAM),通过无人机对大田作物的监测,以期提供可借鉴的方法。传统人工识别在大田信息检测上占很大劣势,其存在识别准确性低、效率低等严重缺陷,而若将图像识别算法与无人机相结合,用于检测农田,就会在降低病虫害发生概率的同时大大提高效率。经过多次实验研究,通过对无人机拍摄的大量图片进行检测对比,平均检测精度m AP从以往的60.3%上升到88.6%。监控系统利用CNN提取并融合深度光谱和局部空间特征,在大规模范围内进行精准监测。

基于改进UNet++模型的葡萄黑腐病病斑分割和病害程度分级

为了解决葡萄病害图像边缘分割模糊和发病初期分割难的问题,基于PlantVillage数据集中的葡萄黑腐病图像,提出一种基于改进UNet++的葡萄黑腐病病斑分割模型。该模型在提取图像特征时:一方面,采用自适应软阈值化方法消除噪声影响,提高葡萄病斑边缘的分割精度;另一方面,采用长、短连接结合的方式构建UNet++中的跳跃式连接结构,降低模型的计算复杂度。同时,在模型的横向输出层中融合多尺度特征,增强病斑的语义信息,进一步提高目标分割精度。在该模型的损失函数中,将Dice损失函数和交叉熵损失函数进行线性加权组合,以解决病斑像素面积与叶片面积不平衡的问题。采用五折交叉验证进行模型训练与测试。结果显示,本文模型的像素准确率达到98.433%,平均交并比达到92.056%,病斑交并比为81.230%,Dice系数为0.941,均优于传统的UNet++模型。采用病斑占叶面积的比例对病害程度进行分级。结果表明,本文模型对病害等级的划分准确率达97.41%。该模型能精确实现对葡萄黑腐病病斑边缘和小病斑的分割,以及病害程度分级,具有良好的稳健性。

Advanced biosensing technologies for monitoring of agriculture pests and diseases:A review

The threat posed to crop production by pests and diseases is one of the key factors that could reduce global food security.Early detection is of critical importance to make accurate predictions,optimize control strategies and prevent crop losses.Recent technological advancements highlight the opportunity to revolutionize monitoring of pests and diseases.Biosensing methodologies offer potential solutions for real-time and automated monitoring,which allow advancements in early and accurate detection and thus support sustainable crop protection.Herein,advanced biosensing technologies for pests and diseases monitoring,including image-based technologies,electronic noses,and wearable sensing methods are presented.Besides,challenges and future perspectives for widespread adoption of these technologies are discussed.Moreover,we believe it is necessary to integrate technologies through interdisciplinary cooperation for further exploration,which may provide unlimited possibilities for innovations and applications of agriculture monitoring.