基于SERS的苹果树腐烂病原菌早期侵染检测

为了早期诊断由黑腐皮壳真菌(Valsa mali Miyabe et Yamada)引起的苹果树腐烂病,该研究基于表面增强拉曼光谱(surface-enhanced Raman scattering,SERS)技术,以腐烂病菌丝、病原菌丝侵染的苹果树和健康的苹果树枝作为研究对象,结合S-G平滑和迭代自适应加权惩罚最小二乘法进行拉曼光谱预处理,经解析发现病原菌丝与染菌样本在1 598、1 595 cm^(-1)和2 930、2 925 cm^(-1)附近敏感谱峰明显区别于健康样本。重复试验分析发现,病原菌侵染可致寄主特征谱峰偏移以及谱峰强度改变:健康样本在1 286 cm^(-1)附近的特征峰随病原菌的侵染偏移至1 365 cm^(-1)附近;健康样本在1 286与1 587 cm^(-1)附近的谱峰强度比值小于0.5,染菌样本在1 365与1 595 cm^(-1)附近的谱峰强度比值大于0.5,而菌丝在1 327与1 598 cm^(-1)附近的谱峰强度比值大于1.0;1 595 cm^(-1)附近谱峰强度因染病而增强。构建BP神经网络模型进行早期染病样本的快速判别,识别率达90%以上。研究表明SERS技术结合BP神经网络可以准确识别苹果树腐烂病原菌丝,从而进行苹果树枝腐烂病的早期诊断,为植物病害的早期快速诊断和病害发生预警提供了研究思路和有效手段。

基于YOLOv5s和Android的苹果树皮病害识别系统设计

【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于Android的苹果树皮病害识别APP以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病3种病害的图片数据,经扩增和标注后按照8∶2比例进行训练集和测试集的划分。使用YOLOv5s算法训练苹果树皮病害识别网络模型,对训练得到的轻量级网络模型进行Android端部署,并设计相应APP界面,实现对轮纹病、腐烂病、干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在88.7%,召回率稳定在85.8%,平均精度值稳定在87.2%。其中腐烂病准确率为93.5%,干腐病准确率为88.2%,轮纹病准确率为84.3%。将其在Android端部署后,每张病害图片处理时间均小于1 s,检测置信度为87.954%。该轻量级识别系统不仅实现了3种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s网络权重模型小,能够轻松实现Android端的部署,且基于YOLOv5s设计的APP操作简单、检测精度高、识别速度快,可以有效辅助果园精准管理。