基于语义分割和可见光谱图的作物叶部病斑分割方法

病害严重影响作物品质,并造成经济损失。病斑分割是病害定量诊断的重要过程,其分割结果可为后续的识别和严重度估算提供有效依据。由于病斑具有不规则性和复杂性,且自然环境下病斑可见光谱图像易受光照变化等影响,传统的图像处理方法对病斑图像分割存在准确率低、普适性低和鲁棒性不高等问题。该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。首先,以花生褐斑病、烟草赤星病为研究对象,使用尼康D300s单反相机共采集到165张可见光谱图像。通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记,分别标记出褐斑病病斑、赤星病病斑和背景区域。其次,对标记后的数据采用水平翻转、垂直翻转、改变亮度等图像扩充方式,获得1850份增强后样本数据集。为了节约计算成本,将数据集的像素分辨率调整为300×300。最后,基于FCN,SegNet和U-Net 3种语义分割网络,构建4种作物叶部病害病斑分割模型,探索了数据增强、病害类别对病斑分割模型的影响,并采用4种分割指标评价模型效果。结果表明:仅对于病斑分割,图像增强能够提高模型的分割精度,增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。4个语义分割模型显著优于支持向量机(SVM),其中FCN与U-Net,SegNet-2和SegNet-4分割模型相比,能够有效避免光线变化等影响,病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。对于病斑分类分割实验,FCN对两种病害的分割精度Pd分别达到97.54%和90.41%,对两种病害的交并比IOUd分别为95.61%和70.30%,均优于其他3种分割模型。FCN能够在分割病斑的同时也准确地识别病害类别,有较好的泛化性和鲁棒性,实现了自然场景下作物叶部病害病斑的识别与分割,为计算混合病害严重度提供了技术参考。

作物病害智能诊断与处方推荐技术研究进展

由“植物诊所”形成的电子病历为作物病害处方推荐提供了新的思路。如何高效地挖掘电子病历数据并辅助作物病害处方推荐,目前还是亟待解决的研究热点问题。在总结和整理现有国内外研究文献的基础上,对基于显微图像的作物病害病菌孢子识别、基于光谱的作物病害诊断、基于电子病历的作物病害处方推荐等作物病害诊断与处方推荐关键技术进行了系统分析与讨论。综述结果表明,围绕作物病害病菌侵染过程,以智能化处方推荐需求为导向,开展基于电子病历数据挖掘的作物病害处方推荐研究,将成为一个研究重点。针对作物病害处方推荐过程中,存在由于作物病害致病机理复杂、作物品种及病害种类多、病害病症动态变化且特征多等特点和难点,研究基于电子病历数据挖掘的作物病害致病机理解析、诊断推理、智能化处方推荐及其应用策略,将是研究的重大方向;探索基于知识图谱分析、大数据挖掘和机器学习算法推理等关键技术的作物病害电子病历数据挖掘分析研究,从区域宏观视角可视化解析作物病害致病机理及其与特征间的关联关系,面向实际应用场景实现基于诊断推理的单一作物病害处方推荐、基于语义匹配的多种作物多种病害处方推荐,具有更大的实际意义。

基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet(Mixed dilated convolution and attention mechanism optimized UNet,MA-UNet)的病害严重度估算方法。首先,针对病斑尺寸不一、形状不规则问题,提出混合扩张卷积块(Mixed dilation convolution block,MDCB)增加感受野并保持病斑信息的连续性,提升病斑分割精度。其次,为了克服复杂背景的影响,利用注意力机制(Attention mechanism)对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解背景对网络学习带来的影响。最后,计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证,并与全卷积网络(Fully convolutional network,FCN)、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明,MA-UNet优于比较方法,能够满足复杂环境下健康叶片和病斑的分割需求,平均交并比为84.97%,频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654,均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。

农业信息化标准体系构建研究

推进农业信息化标准体系建设,可以指导、规范、引领和保障我国农业信息化建设与发展。针对当前我国农业信息化标准化薄弱、农业信息化标准体系缺失等问题和挑战,在总结并借鉴当前已有的农业信息化标准体系研究成果的基础上,通过文献分析和实证调研方法,界定了农业信息化标准体系的内涵;基于农业信息化共性抽象特征提取和标准体系方法论模型,构建了由层级属性维、农业属性维和信息化属性维组成的三维农业信息化系统架构,并自顶向下与自底向上相结合建立农业信息化标准体系框架,提出了农业信息化标准体系表标准索引方法。农业信息化标准体系三维结构的信息维度投影到农业属性维和层级维所组成的平面上,自上而下依次形成智能装备、智能生产、智能服务和智能赋能4类关键技术标准,与基础性标准和专业性标准共同构成农业信息化标准体系结构。该研究可以为我国农业信息化相关标准的制定提供理论基础与体系框架参考。

基于Faster-NAM-YOLO的黄瓜霜霉病菌孢子检测

黄瓜霜霉病由古巴假霜霉病菌孢子通过侵染引起,严重影响了黄瓜的品质和产量;病菌孢子数量与病情严重度相关,因此建立快速、简便和高效的病菌孢子定量检测方法,实现黄瓜霜霉病防治关口前移。基于YOLO v5模型提出了一种基于Faster-NAM-YOLO的黄瓜霜霉病菌孢子定量检测模型,该模型首先提出了一种特征提取模块C3_Faster,使用C3_Faster替换YOLO v5中的C3模块,有效降低了模型参数计算量和模型深度,提升了对黄瓜霜霉病菌孢子检测速度和精度;其次在主干网络中加入了NAM注意力模块,通过应用权重稀疏性惩罚抑制不显著权重,进而提高模型的特征提取能力和计算效率;最后实现了对黄瓜霜霉病菌孢子的定量检测。实验结果表明,Faster-NAM-YOLO模型在测试集上mAP@0.5和mAP@0.5:0.95分别达到95.80%和60.90%,对比原始YOLO v5模型分别提升1.80、1.20个百分点,较原始YOLO v5模型内存占用量和每秒浮点运算次数分别减少5.27 MB和1.49×10^(10);通过与YOLO v3、THP-YOLO v5、YOLO v7、YOLO v8、Faster RCNN、SSD目标检测模型对比,Faster-NAM-YOLO在检测精度、模型内存占用量、每秒浮点运算次数和推理时间方面均具有显著优势;在1 200像素×1 200像素、1 500像素×1 500像素和1 800像素×1 800像素3种不同分辨率尺度及不同图像数量下进一步验证了Faster-NAM-YOLO模型具有较强的鲁棒性和泛化能力。

基于可见光光谱和改进YOLOv5的自然场景下黄瓜病害检测方法

自然场景下获取的黄瓜病害图像存在光照、土壤等噪声,严重影响黄瓜病害识别精度,现有检测模型占用内存较大,难以实现黄瓜病害的实时检测。以自然环境中黄瓜霜霉病、白粉病和炭疽病3种病害的可见光光谱图像为研究对象,提出一种基于可见光谱和改进YOLOv5目标检测网络的黄瓜病害识别模型,探索自然环境中黄瓜病害的准确实时检测并降低检测模型存储成本的方法。为平衡检测精度和模型所需存储空间,以轻量级网络结构YOLOv5s为基线模型,引入SE注意力机制,提取特征维度信息,降低复杂背景对检测结果的影响,提高模型的检测精度;引入深度可分离卷积替换基线模型中的标准卷积,减少模型参数带来的计算负担,提高检测速度。检测模型接收任意像素的可见光光谱图像并调整成640×640像素作为检测网络输入,输出表示黄瓜病害发生区域及病害类别,使用COCO数据集上预训练权重初始化网络权重。实验结果表明,改进后的YOLOv5s-SE-DW模型对黄瓜霜霉病、白粉病和炭疽病的检测精度分别达到了78.0%,80.9%和83.6%,mAP高达80.9%,模型存储空间仅为9.45 MB,浮点运算次数仅为11.8 G,相比基线模型mAP提高了2.4%,运算次数减少了4.6 G,模型所需的存储空间降低了4.95 MB,在减小模型所需内存的同时提升病害检测准确率;进一步与经典两阶段目标检测网络Faster-RCNN和单阶段目标检测网络YOLOv3,YOLOv3-tiny,YOLOv3-SPP以及YOLOv4进行对比,提出的YOLOv5s-SE-DW模型相比对比模型中表现最优的YOLOv4模型mAP提高了3.8%,检测时间和存储空间大幅度降低。综合结果表明,所提出的YOLOv5s-SE-DW网络对于自然场景中的黄瓜病害检测具有良好的精度和实时性,能够满足黄瓜实际种植环境中病害检测的需求,为实际应用场景下黄瓜病害自动检测的实现提供参考。