基于线阵相机/扫描仪的轨交隧道病害检测系统设计实现

隧道维护可以避免隧道病害引发的安全事故,有效的维护依赖于全面和准确的隧道病害检测。传统的隧道病害检测依靠人工巡检,受隧道照明不足、检测时间短等因素的影响,检测效率低下且准确率低。针对这些隧道病害检测中的难题,根据轨交隧道结构均匀、轨道线路固定的特点设计了轨交隧道病害检测系统。系统将激光扫描技术与摄影测量技术相结合,使用激光扫描仪获取隧道三维点云,使用多线阵相机获取隧道影像,借助激光跟踪仪并设计虚拟靶标场对相机和扫描仪进行标定使其坐标基准统一。系统采用分布式的软件架构研发数据采集软件进行传感器交互和数据存储,并采用外触发的方法使传感器采集频率与车速匹配,最后基于Cesium框架研发数据管理平台对隧道数据进行管理。将系统应用于某隧道进行数据精度验证,实验表明轨交隧道病害检测系统能够在实际隧道中检测宽度为0.2 mm的裂缝和错台量0.5 mm的错台,具备轨交隧道病害检测能力。最后,通过将实验采集到的数据应用于隧道裂缝检测、错台检测、变形检测等方面,并对检测出的病害进行定位,证明了轨交隧道病害检测系统的实用性,为轨交隧道病害检测提供了可靠的解决方案。

兰花根部病害的识别与综合防治策略

兰花作为重要的观赏和园艺植物,在栽培过程中常常受到根部病害的困扰。真菌性、细菌性和线虫性病害均能对兰花的根部造成严重损害,导致植株叶片黄化、萎蔫、停止生长,甚至死亡。文章总结了兰花根部病害的类型和发病原因,并提出综合防治策略,通过多管齐下的综合治理,能有效减少兰花根部病害的发生和传播,确保兰花的健康生长和生产效益。

复杂艰险山区高速铁路慢行病害特征与治理

针对我国西南复杂艰险山区高速铁路建设与运营中路基、桥梁和隧道出现导致列车运行速度减慢的病害(慢行病害),依托南昆、沪昆、西成高铁3条复杂艰险山区高速铁路运营期间监测与补充勘察资料,分析不同慢行病害的危害方式与变形破坏特征,研究高速铁路慢行病害产生的原因,提出治理方案。研究得出结论:地层岩性、地形地貌、构造应力环境、气候降雨、岩体结构条件等多重因素造成复杂艰险山区高速铁路出现路基基底上拱、斜坡桥梁位移、隧道基底上拱、隧道混凝土腐蚀等慢行病害,针对不同慢行病害提出多种治理方案。研究成果可为复杂艰险山区高速铁路工程建设、运营维护提供借鉴。

基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

基于改进ShuffleNet v2的轻量化番茄叶片病害识别

番茄大面积种植导致叶片部位被病虫害侵蚀面积不一、侵蚀种类多样化等问题,为了满足在资源有限的硬件设备上实现对番茄叶片病害准确识别,提出改进ShuffleNet v2模型。首先对基本单元进行改进,提出SA-stage模块,使模型密切关注叶片相关特征信息的同时减小了参数量和计算量;其次提出LFN轻量化特征融合模块,实现浅层和深层网络的上下文信息交互;接着引入RFB-s轻量化特征增强模块,增强小目标病害的特征提取;最后将SPD-Conv代替普通卷积和最大池化层,降低图像分辨率的同时保留了番茄叶片病害小目标的细粒度信息。试验结果表明,改进ShuffleNet v2模型在10种番茄叶片病害图像上进行测试,准确率和平均召回率分别达到了96.55%、96.40%,较原模型分别提高了4.44、3.70百分点;参数量和计算量分别为348154、38.75 MB,较原模型分别减少3888、3.88 MB。相比于其他分类模型AlexNet、ResNet50、MobileNet v3等,改进ShuffleNet v2模型不仅准确率最高、参数量和计算量最小,而且权重最小,仅为1.51 MB。该研究提出的改进ShuffleNet v2模型具备在资源有限的移动设备上部署的条件,满足实时、准确地识别番茄叶片病害。

公路养护工程病害成因与处治措施

本文综合分析了公路养护工程中常见的病害成因及相应的处治措施。通过对路面病害、路基病害和路肩病害等进行系统 分类,详细探讨了各种病害形成的原因,包括自然因素、施工质量、车辆荷载以及环境变化等。针对不同类型的病害,提出了相 应的处治策略和措施,包括修补、加固、改建等方法,并结合实际案例进行了说明和分析,以期为公路养护工程提供科学可行的 解决方案。

五种烟草根茎病害病原菌多重PCR检测方法的建立与应用

为了快速准确鉴别烟草根腐病菌(Fusarium oxysporum)、黑胫病菌(Phytophthora nicotianae)、立枯病菌(Rhizoctonia solani)、根黑腐病菌(Thielaviopsis basicola)和鸢尾丝囊霉菌(Aphanomyces iridis)等5种烟草根茎病害病原菌,利用RAPD分子标记等方法筛选和设计特异性扩增引物,优化多重PCR扩增体系中各引物添加量、退火温度、循环数等条件,建立多重PCR检测体系,并对其检测的可行性进行验证。本研究筛选并设计出F.oxysporum、P.nicotianae、R.solani、T.basicola和A.iridis的特异性引物对LD141 F/R、YM1002 F/R、LK111 F/R、GHFT F/R、AiT7 F/R,PCR反应体系中最佳引物组合浓度分别为1.0、1.0、0.2、0.5、0.5μmol/L,最适退火温度为54℃,最佳循环数为28,可同时扩增出大小分别为370、240、536、783、138 bp的特异性片段,能同时检出5种病原菌DNA的最低限值为0.5 ng/μL,可实现对烟草育苗基质和烟株中5种病原菌的快速检测,对烟草苗期根茎病害的早期预防具有重要意义。

基于深度学习的隧道衬砌多病害检测算法

针对已有目标检测算法在隧道衬砌病害检测中全局信息提取不充分、检测精度低的问题,提出隧道衬砌表观病害检测算法TDD-YOLO.该算法以YOLOv7框架为基础,采用MobileViT作为主干特征提取网络,提高网络全局信息和局部信息提取能力;在特征金字塔网络的上采样和下采样后增加Coordinate attention (CA)注意力模块,突出病害的特征信息,去除背景信息的干扰;提出卷积模块TP Block,在计算量较小的情况下进一步提高网络的特征提取能力.为了验证所提出算法的有效性,选用SSD、 Faster-RCNN、 EfficientDet、 YOLOv5、 YOLOv7这5种算法进行对比分析.实验结果表明,TDD-YOLO算法的F1为77.43%,相对5种对比算法,分别提高了15.58%、17.36%、 12.19%、 6.32%、 6.14%;mAP为77.52%,相对5种对比算法,分别提高了15.20%、 14.24%、 9.44%、 7.44%、6.39%. TDD-YOLO算法病害识别精度最高,综合性能最优,适用于实际隧道工程的病害检测任务.

玉米典型叶部病害高光谱识别及其烈度分类

[目的/意义]近年来,玉米叶部病害发生日趋加重且呈现混发现象,严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合,无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。[方法]提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法,通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性,优选敏感特征构建基于病害发展全阶段(包含病害所有烈度)和病害单一烈度下的病害种类识别模型;进一步地,针对玉米叶部单一病害构建烈度分类模型,以期实现对不同叶部病害的全过程识别与病害烈度分类。[结果和讨论]3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1000 nm的近红外和1300~1800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度(Overall accuracy,OA)达77.51%,Macro F_(1)达0.77;而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时,病害种类识别模型最优精度达95.06%,Macro F_(1)达0.94。此外,研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%,其中大斑病烈度分类效果最好(OA=86.25%,Macro F_(1)=0.85)。[结论]基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类,为大范围作物病害监测提供研究基础及理论依据,助力精准防控与绿色农业。

基于CNN-XGBoost模型的多类型棉花叶片病害识别

为提高棉花生产和质量,需要对棉花叶片病害进行及时和准确的识别。然而,现有研究方法往往只能处理少数几种常见的病害类型,而无法覆盖更多的病害种类。本研究提出一种基于CNN-XGBoost模型的多类型棉花叶片病害识别方法,该方法能够识别出21种不同的病害类型,涵盖了细菌、真菌、病毒、营养缺乏等多种因素导致的病害。首先,收集约1.2万张棉花叶片病害图像样本,构建一个包含多种类型病害的数据集,对数据集进行预处理和增强操作,增加数据的多样性和难度;其次,设计一个CNN模型,利用卷积层和池化层提取棉花叶片图像的特征向量,将CNN模型的输出作为XGBoost模型的输入,使用XGBoost模型对特征向量进行分类;最后,采用加权交叉熵损失函数作为优化目标,通过反向传播算法更新CNN模型和XGBoost模型的参数。结果表明,本研究提出的CNN-XGBoost模型在21种类型棉花叶片病害上都能达到高精度的识别,平均准确率达到0.98,远高于其他对比方法,为棉花生产者提供了一个实用和高效的植物病害诊断工具,有助于及时发现和处理棉花叶片病害,从而提高棉花产量。

番茄果实重要病害的诊断及精准防控技术--Ⅱ生理性病害

通过连续多年对番茄种植区番茄果实病害的症状、发病规律及综合防治技术进行调查和试验,明确了为害果实的生理性病害的症状、病因及精准防控技术。生产过程中,按照“预防为主、精准防控”的原则,可有效减轻果实病害的发生及为害。

潍坊学院绿化植物常见病害发生特点及其防治

潍坊学院是山东省应用型本科院校,校园绿化植物种类繁多,植被覆盖率高,植物病害防控是校园绿化养护的重要内容。本文对2022-2023年潍坊学院校园绿化植物病害进行了调查分析。调查结果发现,校园绿化植物叶果枝病害主要有白粉斑、锈病、叶斑病、枣疯病、泡桐丛枝病,根茎部病害主要有杨树溃疡病、五角枫枯萎病、垂柳冠瘿病等。校园植物病害发生种类较多,但发生程度一般,总体可控。病害防控可结合秋季清洁田园及时清除病株残体,早春及时喷药减少越冬菌源量等措施预防。另外,校园绿化中优先选用抗耐病品种合理规划栽植是病害防治的根本。

穿越活动断层输水隧洞病害研究进展

穿越活动断裂带及大型城镇的输水隧洞,具有洞线长、埋深大、地质条件复杂等特点。为研究穿越活动断裂带的输水隧洞病害,归纳总结了关于穿越活动断裂带的隧洞结构变形、应力和损伤特征等方面的研究成果,对汶川地震和台湾集集地震灾区位于活动断裂带影响范围内的隧洞结构破坏统计数据进行系统整理,分析隧洞病害的主要特点、产生原因、破坏机理与案例病害类型,并将病害等级分成无病害、轻度病害、中度病害和严重病害4级。最后对隧洞病害处理措施进行归纳,并提出相应处置建议。研究结果可为输水隧洞病害的归类与处置提供参考。

青岛砖木历史建筑病害评估体系研究

为建立适合青岛地区历史建筑病害的综合评估体系,引入砖木结构历史建筑病害程度指标概念,总结九项砖木结构历史建筑病害评估因子并进行程度划分,运用层次分析法计算出权重占比,得到综合病害程度指标,将指标分为五种等级标准并对相应情况提出处理建议及保护措施,对济南路24号历史建筑进行实例应用,得到程度指标为0.368,表明历史建筑整体状态健康,病害并未对建筑造成威胁。整体评估内容全面详细易于操作,评估结果科学实用。

基于深度学习的钢桥桥面铺装病害识别与量化方法

受反复的交通荷载、温度变化、风载等的影响,钢桥桥面铺装的应力状态复杂,加上柔性的桥面铺装与刚性钢桥结构力学相容性问题,钢桥桥面铺装易出现早期病害。为了识别、分类和量化钢桥桥面铺装典型病害,文中提出一种基于深度摄像头Kinect V2和深度学习的桥面铺装病害识别方法。先通过传感器采集桥面铺装病害图像,创建带标识的数据库,并将其转化为训练集,然后利用YOLOv5对训练集的原始数据进行训练、验证与测试,获得桥面铺装病害识别、分类和量化结果。结果表明,基于深度学习,利用随机采样一致性(RANSAC)可以实现RGB-D传感器在不同工作距离上的平面拟合,达到对桥面铺装病害的高效识别,各类病害的识别误差均可控制在10%以内;与人工识别方法相比,利用简单图像采集设备和机器学习的智能识别方法能以较低的成本在不影响交通的条件下完成钢桥桥面铺装病害识别与量化,计算效率更高,可大大节省人工和时间成本,且能保证识别结果在一定精度范围内。

纳米技术在作物病害防控中的研究进展

作物在生长发育过程中常常会遭受到多种不同的病原菌侵染,如细菌、真菌、病毒、线虫等,造成严重的病害,严重影响作物的产量和品质,威胁粮食安全。当前化学农药在保护作物免受病害侵染,提高作物产量和品质、保障粮食安全等方面发挥着积极的作用。尽管化学农药仍然是防治作物病害的主要途径,然而滥用和大量使用化学农药,带来了一系列的环境与社会问题。因此,迫切需要寻找生态安全和可持续的技术或方法用于作物病害防控。近年来,随着纳米材料研究的不断深入,纳米材料被广泛应用于植物病害防控,为纳米材料成为现代化农业高效生产和可持续发展的强有力工具奠定了基础。因此,为进一步理解和应用纳米材料,阐述纳米技术在作物病害防控中的研究进展。首先,阐述作物病害防控相关的纳米材料的种类,主要包含金属纳米材料、氧化型纳米材料、碳基纳米材料、纳米复合材料等。其次,重点论述不同类型的纳米材料在作物病害防控中的应用及防控机制研究进展,如纳米材料在病毒病害防控中的应用及防控机制研究、纳米材料在真菌病害防控中的应用及防控机制研究、纳米材料在细菌病害防控中的应用及防控机制研究和纳米材料在线虫病害防控中的应用及防控机制研究。最后,展望纳米材料在农业病害防控中的研究重点和方向。

玉米病害发生特点及防治技术

我国玉米病害主要有丝黑穗病、锈病、大小斑病、纹枯病、顶腐病等[1],为减少玉米病害发生,提高玉米产量,总结了玉米常见的病害发生特点及防治技术,以期为玉米病害防治提供技术指导。

公路隧道衬砌病害分析与处治方案研究

公路隧道衬砌病害降低隧道结构承载能力的同时,也对行车安全造成了较大不利影响。大部分衬砌病害的表现形式为衬砌变形脱落、衬砌裂缝以及隧道路面出现波浪形鼓包等。文章以某高速公路分离式隧道为研究背景,对公路隧道衬砌病害成因及治理方案进行了系统性的研究。在分析该公路隧道地质结构特点、围岩等级、地下水来源以及衬砌支护参数的基础上,以隧道病害区域表观病害特点和专项病害检测结论为依据,分析了衬砌病害出现的原因,并提出了切实可行的治理方案。

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

基于改进YOLOv5的草莓病害智能识别终端设计

为实现低成本、便捷、高效的草莓病害识别与检测,提升草莓种植与生产效益,在YOLOv5模型基础上,引入高效通道注意力(Efficient Channel Attention, ECA)机制,研究构建一种草莓病害识别模型,应用嵌入式与软件工程技术研发草莓病害识别终端设备。终端设备应用系统由图像采集、图像检测、检测结果展示和数据传输等模块组成,实现草莓图像实时采集和病害实时识别检测等功能。基于草莓病害检测数据集对系统开展测试,结果表明,该系统可以有效识别草莓白粉菌果病、角斑病、叶斑病等病害。与YOLOv5相比,AP0.5∶0.95、AP0.5、AP0.75、APM、APL都有比较大幅度提升。系统具有高效、便捷、实时等优点,可广泛应用于草莓生产领域,从而有效提升草莓病害识别与检测效率。