增效醚及增效胺对3种杀虫剂防治德国小蠊的增效作用

目的 通过测定增效醚(PBO)和增效胺(MGK264)对3种杀虫剂防治德国小蠊的增效作用,为增效剂在德国小蠊防治中的应用提供依据。方法 采用药膜法测定不同比例下增效剂对杀虫剂防治德国小蠊的增效作用,在此基础上利用选取增效作用最佳的浓度比例配制定量气雾剂,用圆筒法测定增效剂对杀虫气雾剂的增效作用。结果 2种增效剂对3种杀虫剂均有不同程度的增效作用,且除了PBO对残杀威外,基本表现出增效效果与增效剂浓度呈正比的关系。其中,PBO分别与0.05%高效氯氰菊酯、0.05%右旋苯醚氰菊酯及0.05%残杀威混配后,最佳增效含量分别为0.4%、0.4%、0.025%;MGK264与3种杀虫剂混配最佳增效浓度均为0.4%。配制成杀虫气雾剂后,PBO对0.1%高效氯氰菊酯气雾剂、0.2%右旋苯醚氰菊酯气雾剂和0.5%残杀威气雾剂的增效比分别为17%、15%、33%,MGK264对这3种杀虫剂的增效比分别为9%、19%、20%。结论 PBO和MGK264可作为防治德国小蠊杀虫剂的理想增效剂产品,在家卫杀虫产品中广泛应用。

基于深度卷积神经网络的柑橘黄龙病症状识别

【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。