植物病害智能识别APP开发及实践教学应用

该文分析了传统植物病理实践教学存在的一些问题和弊端,利用卷积神经网络技术开发了植物病害症状和病原菌智能识别APP,并将之应用于实践教学,促进了学科交叉融合,丰富了教学内容,完善了实践教学评价体系。实践表明,植物病害智能识别APP在实践教学中效果显著,提高了学生的学习兴趣,便于学生个性化、精准化、自由化学习,有利于培养学生跨学科的创新思维和应用能力,为新农科复合型人才的培养提供了一种便利工具。

草类植物病害

植物病害是生态系统的组成部分,对农业、林业和牧业生产影响很大。古今中外,植物病害对人类造成的威胁多种多样。据联合国粮食及农业组织估计,植物因遭受病害所造成的产量损失平均为总产量的10%~15%。如1950年,中国暴发了小麦条锈病,导致小麦减产30亿千克;1970年,美国暴发了玉米小斑病,减产15%,约165亿千克,直接损失10亿美元。草类植物可能发生多种病害,有的病害对生产有一定的限制作用,有的甚至是毁灭性的。

基于计算机视觉的植物病害识别方法综述

病害识别是计算机视觉技术在农业领域的重要应用之一,对及时发现和早期预防植物病害起着关键作用。近年来,随着病害识别方法的不断演进,病害识别性能有了显著提高,但自然条件下病害特征提取困难、病害严重程度难以区分等问题依然存在。为了在现有方法的基础上进一步探索病害识别的新思路,先是针对不同识别目标,分析病害识别和病害严重程度识别的研究现状。然后从视觉特征类型和学习方式两个角度对植物病害识别方法进行全面的比较与研究,指出深度模型是当前植物病害识别的主流方法,融合多源信息和结合不同的机器学习方式是改进植物病害识别的重要手段,并将不同识别方法在主流数据集上的性能进行对比和分析。最后对未来发展方向进行展望。

植物病害生防青霉研究现状

青霉抗菌谱广、抗逆性强,是优良的生防微生物,能有效防治植物病害.论文综述了近年来青霉属生防真菌防治植物真菌、卵菌、线虫和细菌病害的研究成果,生防青霉产生的抑菌活性次生代谢产物种类以及基因组学、转录组学、代谢组学、蛋白质组学和培养组学在生防青霉研究中的应用,并对今后生防青霉的研究进行展望,以期为以后研究及应用提供借鉴.

基于知识蒸馏和轻量级卷积神经网络的植物病害识别方法

[目的]针对现有植物病害识别模型参数大、田间复杂背景下识别准确率低的问题,提出一种基于改进ShuffleNetV2的轻量化植物病害识别模型LWCR-Net(lightweight crop recognition network)。[方法]在基本特征提取模块中引入残差连接,解决梯度消失问题,使模型能够学习更复杂的特征表示;引入CBAM(convolutional block attention module)注意力机制模块,以增强特征提取和模型利用能力;采用DenseNet121作为教师模型,LWCR-Net作为学生模型,利用知识蒸馏策略对模型进行训练,以进一步提升模型性能。[结果]轻量化植物病害识别模型LWCR-Net大小为2.44 MB;F 1值和准确率分别为95.49%和96.16%,较原模型提高4.89%和3.96%。与DenseNet121、ResNet34、MobileNetV3等其他经典网络对比,LWCR-Net模型不仅达到较高的识别准确率,而且模型参数量较少。[结论]LWCR-Net模型能够实现在田间复杂背景下对植物病害的准确识别,且模型所需内存较小,方便部署到移动端,为植物病害智能诊断提供参考。

氮素调控植物病害发生机制的研究进展

氮是植物生长发育所必需的重要元素。氮素在寄主-病原体互作中的作用十分复杂,受多重因素调控。本文综述了氮素与植物病害发生的关系,从寄主防御和病原体侵染角度论述了氮素影响植物病害发生的机制,比较了不同氮素形式对植物病害影响的差异,并对今后的研究方向进行了展望。

基于改进YOLOv8算法的实时细粒度植物病害检测

为解决现有识别方法在植物病害检测中遇到的密集分布、不规则形态、多尺度目标类别、纹理相似性等障碍,提出一种高性能的实时细粒度植物病害检测框架。首先,在YOLOv8主干网络和颈部设计两个新的残差块,增强特征提取和降低计算成本;其次,引入DenseNet层,并使用Hard-Swish函数作为主要激活函数,以提高模型的准确性;最后,设计PANet网络,用于保留细粒度的局部信息和改善特征融合。在不同的复杂环境下,对番茄植株的四种不同病害进行检测。试验结果表明,所提改进模型在检测准确性和速度上均优于现有模型的检测模型。当检测速度为71.23 FPS时,所提改进模型精确度为92.58%,召回率为97.59%,F_(1)分数为93.64%。为精准农业自动化提供有效的技术手段。

基于注意力机制轻量化模型的植物病害识别方法

针对现有植物病害识别模型存在响应速度慢、参数量多、计算机内存资源消耗大等问题,本研究提出了一种轻量化神经网络模型,该模型由特征提取层、特征增强层和分类器组成。为了减小模型大小并提高网络响应速度,在特征提取层中使用深度可分离卷积进行特征提取。为了防止网络传播过程中的梯度消失并增强病害像素特征融合,在特征提取层中引入了大卷积核倒置残差结构(IRBCKS)模块。此外,在特征增强层集成了轻量级卷积块注意力模块(CBAM)注意力机制,以捕捉植物病害相关图像中像素之间的关系,增强关键信息的提取。最后,采用剪枝技术剔除模型中冗余特征信息,从而再次减少模型参数量,形成最终的轻量级网络模型Cut-MobileNet。为验证该模型的先进性,将其与轻量化模型(MobileNet V2、SqueezeNet、GoogLeNet)和非轻量化模型(Vision Transformer、AlexNet)进行性能对比,研究结果表明,Cut-MobileNet在浮点运算量、准确率、单张图片推理时间、参数量、F1值和模型大小等性能指标上都取得了较优的效果。

基于ACE和深度学习的植物病害检测

如果农业生产遇到植物病害问题,就会导致大量的经济损失。植物病害种类繁多,因此为提高对植物叶片的识别性能,本文使用ACE算法对植物病害图像进行处理,分别以深度学习中的VGG16和GoogleNet为植物病害识别模型,分析ACE算法在植物病害识别中的效果与最佳参数。试验结果表明,在使用ACE算法对植物病害图片处理后,植物病害识别率提高了1%~3%。当在不同模型中得到最佳效果时,ACE算法中求取局部均值的窗口大小与最大对比度增益相同。

附球菌在植物病害生物防治中的应用研究进展

附球菌是一个能产生分生孢子的真菌属,广泛存在于土壤、空气和植物表面,植物体内也常有发现。附球菌对多种植物采前采后病害具有很好的防治效果,是一类重要的拮抗真菌资源。基于此,从附球菌的分类与分布、生防应用、生防机制、影响防效的因素、孢子的制备和质量改进、与化学杀菌剂的联合应用等多个方面进行了综述,并对附球菌生防制剂的应用前景进行了展望。附球菌是目前已知应用潜力较大的真菌种类,在植物病虫害防治领域应用前景广阔。

短小芽孢杆菌防治植物病害研究进展

过度使用化学农药导致植物抗耐药性加重、农产品污染、环境残毒等一系列化学农药综合症,利用生物农药替代化学农药防治植物病害是大势所趋。短小芽孢杆菌(Bacillus pumilus)具有抵抗环境胁迫能力强、分泌多种抗菌类物质以及广泛的生物防治特性,是芽孢杆菌属中最有价值的成员之一,具有作为生防微生物开发成绿色农药的商用潜力。目前,短小芽孢杆菌INR7、HR10、SE34、SE49、SE52、KUDC1732、MCB-7、PTB180、RST25等均已被广泛报道,可通过多种机制拮抗真菌植物病原菌。本文归纳了短小芽孢杆菌的主要次生代谢物及抑菌功能基因种类,阐述了相关菌株拮抗植物病菌的作用机制,综述了其在植物病害生物防治方面的研究成果,以期为短小芽孢杆菌作为生防制剂的研究和应用提供参考。

研究植物病害的病原菌、传播途径以及防治方法

植物病害历来都是农业领域中一个重要课题。文章通过总结分析不同病原菌,传播途径及防治方法等方面研究。首先,针对真菌,细菌,病毒等不同种类的病原菌,探讨了它们的特性,生物学特性及其对植物健康的影响。二是研究各种传播途径,涉及到空气,土壤,昆虫和水等不同介质在病原体传播过程中的作用和机理。最后对包括化学防治,生物防治和物理防治在内的多种防治方法进行论述,突出综合防治对植物病害防治的意义。对这几方面进行全面研究,可深刻认识不同病害发生机制及传播规律,并为今后开发更加安全有效的植物病害防治方法,提供重要理论与实践指导。

芽孢杆菌脂肽类抗生素的抑菌活性及其对植物病害的生物防效研究

生物农药替代化学类农药和农药减量已成为农业可持续发展的必然趋势。为此,介绍了脂肽类抗生素的种类和结构以及脂肽类抗生素的抑菌活性,阐述了脂肽类抗生素在植物病害生物防治中的表现,探索了芽孢杆菌开发为生物农药方面的应用。

生物防治方法在植物病害管理中的实践策略

在全球气候变化和环境压力加剧的背景下,传统化学农药在植物病害防治中显现出诸多问题,如环境污染、生态系统失衡和病原体抗药性增强等,这促使人们迫切需要发展可持续且环境友好的植物病害管理策略,生物防治作为绿色防控策略,通过利用天敌,微生物和植物源性物质等自然因素,有效控制病原微生物,维护生态系统的健康平衡,面向未来农业生产的可持续性目标,本文探讨生物防治方法在植物病害管理中的实践方案,旨在提供创新且安全有效的病害管理策略。

日照市草地植物病害调查研究

日照市草地植物病害种类多样,研究旨在摸清市域内草地植物病害及病原菌种类,研判相应的防控对策。于2022-2023年在市域内采样线路踏查和样方调查法开展草地植物病害的调查研究工作。结果表明:日照市草地病害共53种,其中危害等级达到3级的6种,达到2级的有31种,达到1级的有16种,主要是叶片病害和茎秆病害。其中发生最严重的6种病害分别是蓼白粉菌(Erysiphe polygoni)引起的巴天酸模白粉病;穆氏节丝壳(Arthrocladiella mougeotii)引起的枸杞白粉病;隐秘刺盘孢(Colletotrichum aenigma)引起的葎草炭疽病;灰梨孢(Pyricularia grisea)引起的马唐圆斑病;旋花白锈菌(Albugo ipomoeae-panduratae)引起的圆叶牵牛白锈病以及链隔孢(Alternaria alternata)引起的圆叶牵牛黑斑病。本研究明确了日照市草地病害的种类、分布及危害等级,为后续的病害防控工作打下了基础。

基于改进Yolov5植物病害检测算法研究

苹果和番茄是日常生活非常常见的果蔬,准确地识别病害能够提升作物产量,减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题,设计一种基于改进Yolov5的深度学习方法,用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集,利用K-means算法对初始锚框进行调整,在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力,使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明:改进后的Yolov5病害检测算法mAP达到95.7%,在原来Yolov5模型基础上mAP提升1.7%,平均检测一张图像耗时0.033 s,为苹果、番茄叶片病害检测提供一种高性能的解决方案,能够以较高的准确率对植物叶片病害进行分类与定位。

面向移动端的植物病害图像识别方法及其应用

针对传统卷积神经网络(CNN)在病害图像识别时需要较高的存储空间和计算资源问题,提出一种基于轻量级CNN植物病害图像识别网络CSP-ShuffleNet V2来降低识别成本。CSP-ShuffleNet V2模型基于ShuffleNet V2网络,首先,将卷积核大小由3×3改为5×5扩大病斑图像全局感受野;其次,采用CSPNet结构来改进网络特征层;最后,再引入通道注意力(ECA)模块用于增强图像病斑通道特征信息。采用AI Challenger平台提供的公共植物病害数据集进行训练和测试。试验结果表明,CSP-ShuffleNet V2网络模型识别准确率为90.34%,比原始ShuffleNet V2网络模型提高2.23%,参数量也减少29.6%,权重大小仅为13.5 MB。与ResNet50、MobileNet V2、GoogleNet、DenseNet121网络相比,CSP-ShuffleNet V2网络不仅降低了网络计算量和参数量,而且收敛速度更快、分类效果更好。最终将模型离线部署在Android平台实现了植物病害移动端智能检测,为植物病害防治和诊断提供参考依据。

丛枝菌根真菌影响植物病害的研究进展

丛枝菌根真菌(Arbuscular Mycorrhizal Fungi,AMF)广泛存在于自然界中,在提高植物抵抗病害胁迫中起到积极作用。为进一步加快农业投入品的减量增效步伐,提高生物防治在农作物种植中的应用比例,总结了近年来国内外在丛枝菌根真菌对植物病害的影响及其作用机制的研究进展,同时展望了丛枝菌根真菌的进一步研究及应用方向。

基于Transformer和CNN的真实场景下植物病害识别方法

针对真实场景下的植物病害图像,设计了一种融合Transformer和CNN的植物病害识别模型CLT。该模型采用多阶段层次设计,以Conv Stem作为初始特征提取模块提取浅层局部特征,结合Transformer模块以学习全局特征;利用卷积Token嵌入,改变模型每个阶段Token的序列长度和特征维数,实现对多层次的局部空间上下文进行建模;将卷积模块融入到Transformer模块,并将多头注意力机制中的线性投影替换为卷积投影,提升模型对局部空间的特征提取。实验结果表明,CLT模型能够有效表达植物病害的各种特征,在真实场景下平均准确率达到77.91%,分类效果优于其他模型,为真实场景下植物病害识别提供参考。

生防菌在植物病害领域的研究进展

植物病害造成作物品质下降和产量降低,严重影响农业生产。为了能更科学、更绿色地控制植物病害,生物防治作为一种新型防治手段在植物病害领域飞速发展。生防菌的发现是生物防治研究的重要进程。生防菌种类较多,生物学性状优良,拮抗机制多样,寄生范围广泛,是解决植物病害重要的生物防治手段,具有广阔的发展前景。本文综述了近年来通过生防菌对植物病害进行防治的研究进展,总结了包括细菌、真菌、放线菌、病毒的弱毒株系和噬菌体五类生防菌及其在国内外防控植物病害的应用情况,阐述了直接和间接的多种作用机制,并对后续研究发展趋势进行了展望,以期为生防菌的深入研究及其更好的应用提供理论参考。