自监督学习下小样本番茄叶片病害检测

番茄叶片病害的快速定位与精准识别有助于合理使用杀虫剂,进而保障番茄的质量与产量。针对现有番茄叶片病害检测方法检测性能不佳的问题,提出一种自监督下的小样本番茄叶片病害检测方法。首先,利用一组共享权重的主干网络提取番茄叶片在视觉空间中的语义特征;然后,将视觉语义特征作为深度自编码网络的输入,通过计算编码压缩后的特征与原始特征间的对比损失优化特征编码网络;最后,利用编码压缩后的特征指导番茄叶片的未知病害定位与识别。此外,为获得更鲁棒的指导特征集,设计一种双损失的优化策略。通过在自建的番茄病害叶片数据集和开源数据集上进行测试试验,所提出模型分别在自建和开源数据集上实现0.946 2和0.963 9的识别精准率,优于当前经典的目标检测方法。

基于轻量化卷积神经网络的番茄叶片病害识别

传统的卷积神经网络在番茄叶部病害识别中存在结构复杂、参数庞大等问题,导致难以在移动设备上实现良好的应用效果。因此,提出一种基于轻量化卷积神经网络的番茄叶片病害识别方法。首先,将番茄叶片病害图片进行数据增强扩充,保证数据分布均匀;其次,绘制MobileNet v3模型基于扩充数据集tomato2的敏感度分析曲线图,根据敏感度分析曲线图对模型的输出通道数进行裁剪,构建轻量化卷积神经网络模型MobileNet v3-Prune;最后,运用4种卷积神经网络及其对应的轻量化模型对番茄叶片病害图片训练进行试验对比。结果表明,MobileNet v3-Prune对番茄叶片病害识别性能最佳,在测试集上的平均识别准确率达到了99.60%,模型权重仅为3.69 MB,单张图片识别时间为12.13 ms。本研究结果可以为移动设备上的番茄叶片病害识别应用的实现提供理论支持。

改进MobileNetV3-Small模型在番茄叶片病害识别中的应用

面对农作物病虫害识别中的挑战,特别是移动端应用对模型准确性和效率的双重要求,文章提出了一种基于MobileNetV3-Small的改进模型。在MobileNetV3-Small模型的基础上,引入了ECA(Efficient Channel Attention)注意力机制,取代了原有的SE(Squeeze-and-Excitation)模块,从而减少了模型参数量和计算成本,同时提升了对细粒度特征的捕捉能力和抗干扰性。通过在番茄叶片病害数据集上的训练,结果表明改进后的模型准确率达到了98.93%,比原模型提高了0.54个百分点,权重文件大小从17.6 MB减少到12.3 MB,减少了30%。在各项性能评估指标上,该模型均优于传统的轻量化网络和复杂模型。研究结果为移动端农作物病虫害智能识别提供了一种新的高效方案。

基于改进YOLOv7-tiny的番茄叶片病虫害检测方法

为解决自然环境中番茄叶片病虫害检测场景复杂、检测精度较低,计算复杂度高等问题,该研究提出一种SLPYOLOv7-tiny的深度学习算法。首先,将主干特征提取网络中部分3×3的卷积Conv2D(2D convolution)改为分布偏移卷积DSConv2D(2D Depthwise Separable Convolution),以减少网络的计算量,并且使计算速度更快,占用内存更少;其次,将无参数注意力机制(parameter-free attention module,SimAM)融合到骨干特征提取网络中,加强模型对病虫害特征的有效提取能力和特征整合能力;最后,将原始YOLOv7-tiny的CIOU损失函数,更替为Focal-EIOU损失函数,加快模型收敛并降低损失值。试验结果表明,SLP-YOLOv7-tiny模型整体识别精准度、召回率、平均精度均值mAP_(0.5)(IOU阈值为0.5时的平均精度)、mAP_(0.5~0.95)(IOU阈值从0.5到0.95之间的平均精度)分别为95.9%、94.6%、98.0%、91.4%,与改进前YOLOv7-tiny相比,分别提升14.7、29.2、20.2、30个百分点,同时,计算量降低了62.6%。与YOLOv5n、YOLOv5s、YOLOv5m、YOLOv7、YOLOv7-tiny、Faster-RCNN、SSD目标检测模型相比,mAP_(0.5)分别提升了2.0、1.6、2.0、2.2、20.2、6.1和5.3个百分点,而计算量大小仅为YOLOv5s、YOLOv5m、YOLOv7、Faster-RCNN、SSD的31.5%、10.6%、4.9%、4.3%、3.8%。结果表明SLP-YOLOv7-tiny可以准确快速地实现番茄叶片病虫害的检测,且模型较小,可为番茄叶片病虫害的快速精准检测的发展提供一定的技术支持。

基于混合注意力机制的番茄叶片病害识别方法

番茄叶片病害对番茄的产量和质量构成了严重威胁,为了实现对番茄病害的早期识别和预防,因此需要有效的番茄病害识别方法。香农熵可以作为衡量图像信息量大小的度量,但在深度卷积神经网络中通道香农熵的计算量巨大导致训练时间增长,由于图像香农熵和图像方差之间存在正相关性,因此可以通过计算图像方差来衡量图像的信息量。在深度残差卷积神经网络基础上提出了基于Squeeze-and-Excitation(SE)和通道方差的混合注意力机制深度卷积神经网络方法。先计算通道的方差数据以此衡量通道信息量大小,方差大的通道信息量大反之亦然,根据通道方差值对通道进行加权处理,再对通道进行SE操作。实验表明:提出的方法能有效地对番茄病害类型进行分类和识别,与传统方法相比准确率提高了4.65%。

基于改进的ResNet18模型识别番茄叶片多种病害

针对传统番茄叶片病害识别方法效率低、准确性差等问题,提出了一种改进的ResNet18番茄叶片病害识别算法。首先将ResNet18中输入部分的7×7大卷积核替换为3×3小卷积核,减少网络参数数量,增加网络的非线性表达能力。然后在改进的ResNet18网络中加入轻量级卷积块注意力模块(CBAM),增强网络对病害细节特征的提取能力,提高识别精度;并使用单周期余弦退火算法调整学习率,进一步优化网络结构,加快模型收敛效果,提高训练速度。实验以早疫病、棒孢病等9种常见的番茄叶片病害为主要研究对象,在改进模型上的平均识别准确率达到99.60%。结果表明,构建的ResNet18-Ck3x3-CBAM模型可用于番茄叶片病害识别且具有良好的识别效果。

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别

番茄叶发生较为普遍,现有的检测手段存在检测效率和准确性不高的问题。因此,利用深度学习技术对番茄叶进行诊断意义重大。近年来,以卷积神经网络(CNN)为代表的作物病害诊断方法凭借较强的特征抽取能力,已成为作物病害诊断的一种重要手段。为了解决传统卷积神经网络模型规模大、训练时间长的问题,拟基于MobileNetV3网络模型,通过模型压缩、模型结构和损耗函数的改进,以及训练参数的优化,实现基于MobileNetV3的网络模型。试验证明,在测试用例上,提出的方法能有效地提高识别率,减少运算量。同时,该方法能够提高系统的识别率。

番茄叶片SPAD值与叶绿素含量的相关性分析

以"粉艳红"和"日本硬星"2个不同类型的番茄品种叶片为试材,分别采用SPAD-502叶绿素仪与分光光度法测定2个品种番茄叶片的SPAD值、叶绿素含量,分析其相关性并建立拟合方程。结果表明:2种番茄叶片的SPAD值与叶绿素a、叶绿素b、总叶绿素含量的相关性均为极显著。就SPAD与叶绿素a的相关性而言,"粉艳红"的最优函数模型为y=0.0005x1.9829(r=0.902**),"日本硬星"的最优函数模型为y=0.0204x+0.059(r=0.669**);就SPAD值与叶绿素b的相关性而言,"粉艳红"的最优函数模型为y=0.0883e0.0403(r=0.758**),"日本硬星"的最优函数模型为y=0.2738e0.0144x(r=0.635**);就SPAD值与总叶绿素含量的相关性而言,"粉艳红"的最优函数模型为y=0.2202e0.0414x(r=0.870**),"日本硬星"的最优函数模型为y=0.0279x+0.2453(r=0.720**)。

基于介电特性与IRIV-GWO-SVR算法的番茄叶片含水率检测

为了探究利用介电特性检测作物水分状况的可行性,研究了一种基于介电特性的有效、快速、精确检测番茄叶片含水率的方法。以300片不同含水率的番茄叶片为研究对象,通过LCR测量仪测定叶片在0.05~200 k Hz下的相对介电常数ε′和介质损耗因数ε″,并采用干燥法测量叶片含水率。利用迭代保留信息变量法(iteratively retains informative variables,IRIV)对介电参数进行特征变量选取,并与连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立叶片全变量、2种特征变量与叶片含水率的关系模型。结果表明,基于迭代保留信息变量法选取特征变量的支持向量回归模型(IRIV-SVR)具有良好的预测能力,但预测精度仍需提高,故引入灰狼优化算法(grey wolf optimizer,GWO)优化模型的参数c(惩罚因子)和g(核函数参数)。最终,经GWO优化后的模型(IRIV-GWO-SVR)的预测集决定系数R2与均方根误差RMSE分别为0.963 8,0.020 7。因此,利用介电特性结合IRIV-GWO-SVR算法预测番茄叶片含水率是可行的,同时为其他叶片含水率检测提供了一种新的方法和思路。

番茄叶片总RNA提取方法的比较

番茄叶片富含酚类、多糖、蛋白质等次生代谢物质,用普通方法提取番茄叶片总RNA时很难将其去除,试验比较研究了RNA plant Reagent、UNIQ-10柱总RNA抽提试剂盒和改进Trizol三种方法的提取效果。结果表明,改进的Trizol法能从番茄叶片中提取纯度较高的RNA,凝胶电泳显示条带清晰完整,分光光度计检测A260/A280比值为1.88。用该方法提取的番茄叶片总RNA可以用于逆转录、RT-PCR、Northern blot等分子生物学研究。

基于光谱红边位置提取算法的番茄叶片叶绿素含量估测

为了快速、准确估测番茄叶片叶绿素含量,分析了不同营养水平下的番茄叶片光谱红边参数变化规律,发现红边位置最能表征番茄叶绿素状况,统计分析了6种算法提取的光谱红边位置的差异性,并为每种算法分别建立了5种估测模型,验证结果表明每种红边位置提取算法所对应的最佳模型为线性四点内插法的指数曲线模型和其他红边位置算法的对数曲线模型。其中线性外推法模型精度最高,校正集决定系数R2c为0.618 6,验证集决定系数R2v达到0.771 1,验证集均方根误差RMSEv为8.359 6,可以有效诊断番茄叶绿素含量。线性四点内插法根据670、700、740、780 nm 4个波段的叶片反射率计算红边位置,运算简单,模型精度较高,R2c为0.621 7,R2v达到0.766 6,RMSEv为8.568 2,可以作为开发番茄叶绿素含量监测仪器的依据。

外源硅对青枯病感病番茄叶片抗氧化酶活性的影响

【目的】探讨青枯菌侵染下外源硅处理对番茄青枯病的抗性效果及生理作用机理，为青枯病的有效防治提供参考依据．【方法】选择青枯病易感番茄品种为试验材料，通过盆栽土培和水培试验，研究硅处理和青枯菌Ralstonia solanacearum接种对番茄青枯病病情指数、叶片抗氧化酶活性的影响．【结果和结论】硅能显著增强番茄青枯病抗性．硅处理使青枯病的病情指数在土培试验和水培试验下分别降低29.1％～93.0％和6.3％～100.0％．青枯菌侵染条件下硅处理能显著增加番茄叶片抗氧化酶活性．在土培试验中，加硅使番茄叶片的POD、CAT酶活性分别增加了43.17％和23.17％；水培试验在接种第3天，加硅使POD、CAT、PAL酶活性分别增加了122％、337％和31％．本研究表明硅对番茄青枯病的抗性机理可能是硅诱导植物产生一系列生物化学防御反应，增强了番茄对青枯病菌的抗性．

基于高光谱图像技术的番茄叶片氮素营养诊断

通过提取番茄叶片高光谱图像的灰度、纹理特征将高光谱数据立方体转化成二维特征曲线,再利用特征选择方法 CFS对所有波长进行筛选,确定灰度特征的特征波长:549,669,742,830 nm和纹理特征的特征波长:482,684 nm.每个样本共有12个特征变量,对这12个变量进行主成分分析,提取9个主成分因子作为模型的输入向量,采用支持向量机建立番茄氮素营养水平诊断模型,得到4个梯度氮素水平(N1,N2,N3,N4)番茄叶片的正确识别率为96%,88%,92%,92%.研究结果表明高光谱图像技术对番茄氮素营养水平具有较好的诊断作用.

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络(Multi-scale feature fusion and coordinate attention MobileNet, MCA-MobileNet)模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络(Wasserstein generative adversarial networks, WGAN)进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块(Coordinate attention, CA)嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。

番茄叶片糖与转化酶的日变化研究

为探讨转化酶在叶片糖分含量和光合作用日变化中的作用,测定了番茄（Lycopersicon esculentum L.）叶片光合速率、转化酶活性、淀粉、蔗糖、葡萄糖和果糖含量,并分别分析了12：00前后它们间的相关关系.结果表明：番茄日间叶片净光合速率在10：00和16：00出现一大一小两个高峰;6：00～18：00叶片中淀粉和果糖呈现持续升高,而蔗糖和葡萄糖为先升后降趋势;光合速率同叶片蔗糖含量和胞质转化酶活性存在高度正相关,淀粉和果糖含量同光合速率未表现出显著相关性.由此可知,胞质转化酶在蔗糖代谢方面有明显的作用;果糖可能是通过抑制胞壁转化酶活性,促进了蔗糖外运.

水分胁迫对番茄叶片气孔传导及光合色素的影响

以栽培番茄品种AilsaCraig的6叶期幼苗为试验材料,在水培条件下研究了50,75和100g/LPEG水分胁迫对叶片气孔传导、光合色素含量及发叶速度的影响。结果表明,水分胁迫使气孔传导度和发叶速度降低,光合色素增加。气孔传导度和发叶速度的降低均与水分胁迫强度和持续时间有关,而光合色素的增加主要与胁迫持续时间有关。

偏振-高光谱多维光信息的番茄叶片营养诊断

以Venlo型温室中无土栽培模式下自行培育的25%,50%,75%,100%,150%五个梯度水平的氮、磷、钾营养胁迫样本为研究对象,利用高光谱成像系统以及课题组自行研发的偏振反射光谱测量分析系统分别采集不同氮磷钾营养水平番茄叶片的偏振光谱和高光谱数据。通过扫描电镜分析阐明营养胁迫叶片非光滑表面的凹凸和质地发生的一系列变化与偏振反射辐射之间具有一定的联系。由斯托克斯公式将偏振光谱换算成偏振度后,提取偏振度与氮磷钾实测值之间的各4个偏振度特征;同时将高光谱数据经过主成分分析降维并确定氮磷钾各4个特征波长,再通过相关分析法提取这4个特征波长下的各8个高光谱图像纹理特征。偏振度特征与高光谱纹理特征相加累计氮磷钾各12个特征作为支持向量回归(SVR)的输入变量。对这12个特征变量进行最大-最小值归一化后,采用SVR建立番茄氮磷钾营养水平的定量诊断模型,求得氮的相关系数r=0.961 8,均方根误差RMSE=0.451;磷的相关系数r=0.916 3,均方根误差RMSE=0.620;钾的相关系数r=0.940 6,均方根误差RMSE=0.494。研究结果表明采用偏振反射光谱结合高光谱的多维光信息融合技术能够建立精度较高的番茄营养水平预测模型,具有较好的诊断作用,对于提高模型的精度和专用仪器的开发具有一定的指导意义,为番茄养分含量的快速检测提供了新的思路。

光强对番茄叶片低温光抑制恢复的影响

经弱光 (6 0 μmol·m- 2 ·s- 1 )和 5℃低温处理 3d的番茄叶片Fv Fm和ΦPSⅡ下降 ,F0 没有变化 ;随后放在弱光 (6 0 μmol·m- 2 ·s- 1 )和 2 5℃条件下 ,番茄叶片的Fv Fm和ΦPSⅡ可以恢复 ,而在强光 (80 0 μmol·m- 2 ·s- 1 )下恢复的植株Fv Fm和ΦPSⅡ则显著下降 ,F0 也明显增加。恢复 3d后 ,弱光下恢复的植株光合作用可恢复到对照水平的 72 .1% 。

基于SK-EfficientNet的番茄叶片病害识别模型

针对目前番茄叶片病害识别的深度学习模型网络参数量多、精确度低、移动端模型部署难的问题,提出一种基于SK-EfficientNet的番茄叶片病害识别方法。该方法采用轻量级模型EfficientNet作为基准模型,并利用选择性卷积核机制SKNet替换EfficientNet核心模块MBConv中的SENet,使得卷积核根据输入特征的多尺度信息自适应选择感受野大小,提高图像特征提取能力同时更有效地利用参数。多组对比实验结果显示,改进后的模型在训练精度上得到进一步提高,且模型参数仅为3.83 MiB。在PlantVillage数据集上平均准确率达到99.64%,且验证SK-EfficientNet-B2的识别精度最高;在自然场景下平均准确率较原模型提高3.81个百分点。结果表明,改进后模型能有效提高自然场景下番茄叶片病害识别精度,可为移动端部署番茄叶片病害识别模型提供参考。

番茄叶片几何特征的提取与分析

采用数码相机获取番茄叶片的数字图像,利用Photoshop CS4图像处理软件计算叶片长度、宽度、叶面积、周长、圆度,并进行回归分析。结果表明:长、宽与叶面积和周长存在较高的回归关系,而圆度则相对独立。和其它方法相比,该方法具有准确、快速、成本低廉、无损动态观测等优点,适用于园艺研究中叶片信息的全面测定。