寒地粳稻种子的拉曼光谱鉴别方法研究

针对水稻种子的品种鉴别存在检验周期长、种类少等实际问题,本研究提出一种高效、快捷、准确鉴别水稻种子的方法。以拉曼光谱技术为基础、寒地粳稻种子为研究对象,进行快速、准确鉴别。首先,利用Savitzky-Golay(SG)、一阶导(1-Der)、二阶导(2-Der)、迭代自适应加权惩罚最小二乘(AIRPLS)和均值中心化(MC)预处理方法及其组合对原始光谱进行预处理,研究不同预处理方法及组合的偏最小二乘判别(PLSDA)和支持向量机(SVM)模型判别效果;其次,应用光谱-理化共生距离(SPXY)法对预处理数据进行样本划分;最后,通过连续投影算法(SPA)、逐步回归(SR)和竞争自适应重加权采样法(CARS)对特征波段进行提取,对比分析不同预处理下的特征波段与全波段建模效果和检测时间差异。结果表明:在13种预处理方法中,AIRPLS+1-Der组合预处理效果较好,在PLSDA和SVM模型中测试集准确率均达到95.45%以上;在3种特征提取方法中,基于CARS方法的特征波段在两种鉴别模型中准确率达到96.97%,而且模型运行速度较快,这说明基于拉曼光谱技术对寒地粳稻种子进行快速、准确鉴别是可行的。

基于改进YOLOv4的水稻病害快速检测方法

针对水稻图像中复杂背景带来的病斑难以识别、检测速度慢等问题,以水稻稻瘟病、白叶枯病和胡麻斑病图像为研究对象,提出一种基于改进YOLOv4的水稻病害检测方法,该方法以YOLOv4模型为主体框架,采用轻量级网络MobileNet V3代替原始主干网络CSPDarkNet-53,并通过在颈部网络添加坐标注意力模块(coordinate attention module,CAM)来提高模型的性能。结果表明,改进后的模型对水稻稻瘟病、白叶枯病、胡麻斑病的识别准确率均有所提升,平均精度均值(mean average precision,mAP)为85.34%,与原始YOLOv4模型相比,mAP提高了1.32%,每秒钟检测图像的帧数(frames per second,FPS)为53.43帧/s,检测速度提高了49.62%,说明研究得出的方法具有较高的平均准确率及较快的检测速度,能够用于田间复杂环境下的水稻病害快速识别。