基于改进YOLOv8算法的实时细粒度植物病害检测

为解决现有识别方法在植物病害检测中遇到的密集分布、不规则形态、多尺度目标类别、纹理相似性等障碍,提出一种高性能的实时细粒度植物病害检测框架。首先,在YOLOv8主干网络和颈部设计两个新的残差块,增强特征提取和降低计算成本;其次,引入DenseNet层,并使用Hard-Swish函数作为主要激活函数,以提高模型的准确性;最后,设计PANet网络,用于保留细粒度的局部信息和改善特征融合。在不同的复杂环境下,对番茄植株的四种不同病害进行检测。试验结果表明,所提改进模型在检测准确性和速度上均优于现有模型的检测模型。当检测速度为71.23 FPS时,所提改进模型精确度为92.58%,召回率为97.59%,F_(1)分数为93.64%。为精准农业自动化提供有效的技术手段。

基于改进Yolov5植物病害检测算法研究

苹果和番茄是日常生活非常常见的果蔬,准确地识别病害能够提升作物产量,减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题,设计一种基于改进Yolov5的深度学习方法,用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集,利用K-means算法对初始锚框进行调整,在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力,使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明:改进后的Yolov5病害检测算法mAP达到95.7%,在原来Yolov5模型基础上mAP提升1.7%,平均检测一张图像耗时0.033 s,为苹果、番茄叶片病害检测提供一种高性能的解决方案,能够以较高的准确率对植物叶片病害进行分类与定位。

基于TensorRT的植物叶片病害实时检测分类模型优化

为了提高边缘计算设备对植物叶片病害检测的识别速率,本研究采用卷积神经网络搭建了植物叶片目标识别模型和植物叶片病害分类模型,并且使用OpenCV将两个模型整合成植物叶片病害检测系统.通过SSD(single shot multibox detector)算法对植物叶片的目标区域进行定位并裁剪,再利用植物叶片病害分类模型对裁剪的植物叶片区域进行病害分类.同时,通过TensorRT加速推理对分类模型进行优化处理,以及在同一台主机设备和Jetson Nano计算平台上,对优化前后的模型进行了对比实验.实验表明,在同一主机设备上优化后的植物分类模型识别速率提升22倍.同时,优化后的分类模型使植物叶片病害检测系统识别速率提升7倍.而将优化后的系统部署在Jetson Nano计算平台上,对比优化前的植物叶片病害检测速率提升10倍,实现了实时的植物叶片病害检测.

一种基于树莓派部署的改进YOLOv5植物生长状态检测算法

植物的生长过程往往需要一定的时间,在这段时间内,它会演变成不同的阶段,从而对生长环境的要求不同。目前,确定植物生长状态的方法主要是基于人工先验经验和培育者的目视检查。这种传统方法耗时费力,效率低下且准确率有限。学术界已经提出了许多计算机视觉算法来诊断苹果叶病,但大多数算法只能在高性能GPU上运行,这限制了大部分算法在该领域的应用。在本文中,我们优化了yolov5网络结构及其卷积模块,并提出了一种新的yolov5网络。而这种网络具有更简洁、更轻量的结构,使其可以在树莓派上实时检测植物生长状态。我们构建了一个包含5323张图片的植物生长数据集,并将植物的生长状态分为五类。为了优化模型性能,我们采用了以下方法:1.使用Ghost模块替换了普通卷积,从而显著减少参数数量。2.通过CBAM模块引入attention注意力模块来提升模型的特征提取性能。3.修改了mosaic增强部分,将其改为3x3样式,以增强数据的多样性。实验结果表明,本文模型的最高mAP为88.3%,最小模型大小为11.67MB,在GPU服务器上的每秒帧数(FPS)最高为85.6。在树莓派4B上测试达到了11.7FPS,比标准的yolov5提高了4.1%的性能。

基于叶片形态的田间植物检测方法

利用图像处理技术方法,以田间拍摄的水稻图像为研究对象,对田间植物进行检测研究。通过改进归一化绿蓝差值指数I DNBG与色度模型,经过分类识别、图像阈值分割等步骤,对植物叶片进行提取。利用形态学正反向组合运算实现叶片内部完整性修复;利用边界4连通链码边缘检测实现叶片边缘平滑性修复。通过对可见光条件下田间拍摄的40幅图像进行植物提取实验,植物叶片提取正确率平均可达83.07%,误分率为3.57%。对其中90条边缘线进行边界平滑修复,部分叶片边缘被平滑但使叶片提取正确率降低0.63%。对植物检测主要影响因子进行分析得出,成像条件差异易影响亮度因子;通过形态学膨胀与正反向过滤运算,露珠与病斑得到一定程度的保留,提取叶片内部形状完整;链码运算可使叶片边缘得到平滑,同时也会去除部分正确的叶片,其运算量较大。

转基因植物成分检测实验室的污染控制

介绍了转基因植物检测实验室中污染相关的问题;通过对转基因植物检测实验室环境条件、人员的操作水平、仪器和标准参照物的使用等因素的详细分析,对污染的来源、处理及监测、预防技术进行研究,以期有效控制污染,实现实验室的质量控制,保证检测结果的准确性和可靠性。

防水材料耐根穿刺性能植物检测试验阶段性研究报告

国内种植屋面用防水材料耐根穿刺性能植物检测试验参试试样中已有24种合格。试验表明,化学试剂对防水材料的耐根穿刺性能和模式植物的生长影响较大,改性沥青类防水卷材必须添加适量化学阻根剂才能通过试验;PVC卷材含有的增塑剂对植物生长不利。防水材料的施工工艺对其耐根穿刺性能有影响,各类材料都要注意搭接缝的处理。针对试验过程中发现的问题,文中还提出了应适时修改JC/T 1075—2008等建议。

世界卫生组织化学品安全项目植物检测国际协作研究骨干会议简介

世界卫生组织化学品安全项目于1991年12月9～13日在苏联圣彼得堡召开了植物检测国际协作研究骨干会议,出席这次会议的有来自苏、美、捷、波、日、加、印、墨西哥、肯尼亚和中国等10个国家28名代表,我国广西植物研究所陈锐章研究员出席了这次会议。与会代表均在会上宣读了各自多年来在拟南芥基因突变、蚕豆微核、紫露草雄蕊毛突变和紫露草微核等四种植物检测方法的研究工作报告,经过讨论,形成一份文件。

种植屋面用耐根穿刺防水卷材植物检测试验(第一批)阶段性检测结果与分析

对种植屋面用耐根穿刺防水卷材试验的第一批参试卷材的阶段性检验结果进行了通报。根据试验阶段性结果,证明了进行耐根穿刺试验对于种植屋面工程的重要性;同时提醒专业人士,种植屋面选用防水材料,既要考虑其耐根穿刺能力,更要考虑其耐腐蚀性。

种植屋面用耐根穿刺防水卷材试验植物检测结果初探

对2007年和2008年种植屋面用耐根穿刺防水卷材试验的结果进行了分析,同时针对试验过程中发现的部分试验箱内植物生长出现异常变化的原因和由此而带来的可能后果进行了初步推测和讨论。

常用植物病毒病检测技术比较

概述了生物学检测法(Biology detection)、电镜检测技术(Technology of electron microscopy)、血清学方法(Serological detection assay)和分子生物学检测技术(Molecular biological detection assay)的原理、操作环节及各自优缺点,为生产工作中选择植物病毒病检测方法提供参考。

植物病毒RNA在片检测方法的建立研究

报道了一种检测植物病毒核糖核酸(RNA)的新方法——RNA玻片杂交法。这种方法把互补脱氧核糖核酸(cDNA)芯片技术与RNA斑点杂交技术相结合,将植物样品的总RNA直接固定在玻片上,用荧光标记的病毒特异探针与芯片杂交后分析杂交信号以确定相应的样品有无该病毒侵染。参照膜杂交的方法,我们设计了一系列实验,对芯片的制备和检测条件进行了摸索,基本建立了在玻片上杂交检测RNA病毒和类病毒的方法。

植物叶绿体trn基因通用引物在转基因植物及其产品检测中的应用

加工食品中通常含有多种作物成分,且其DNA遭到严重破坏,因而给转基因植物及其产品的PCR检测带来困难。采用植物中普遍存在的多拷贝叶绿体trn基因作为植物内源参照基因,用于转基因植物及其产品检测,研究结果表明,仅通过1次PCR反应即可确定加工食品中不同植物来源成分的种类,根据扩增片段及其大小,可区分水稻、玉米、油菜、大豆、棉花等不同作物成分。利用植物叶绿体DNA通用引物对植物来源DNA的检测灵敏度达0.01%,比用植物种间特异性单拷贝或低拷贝基因组DNA作为内源参照基因的检测灵敏度提高约10倍。

激光诱导击穿光谱技术实时检测蔷薇属植物

玫瑰、蔷薇和月季三种花同属于蔷薇属植物,这三种花外貌相似,极易混淆。蔷薇属植物具有重要的观赏价值、药用价值等,因此快速鉴别蔷薇属植物具有重要意义。利用激光诱导击穿光谱(LIBS)技术对三种花进行原位在线检测,可以识别三种花中的主要元素。通过植物中所含元素的差异以及同一元素对应谱线的相对强度的差异,可以辨别玫瑰、蔷薇和月季。此外,在蔷薇属植物光谱中还可以探测到CN自由基,利用LIFBASE软件模拟光谱中的CN,计算CN的振动温度和转动温度,得到的参数可以视为实验参数。在对比分析三种不同花的激光诱导击穿光谱后,选择强度差异显著的特征谱线作为变量,结合广义回归神经网络(GRNN)对花属进行预测,正确率可达93.3%。

基于选择性搜索的药用植物目标检测

药用植物目标检测可以有效应用于药用植物的图像识别以及图像的语义分割。文章对已有的算法做了优化,使其对自然环境下的药用植物目标检测更为准确,提出了一种基于选择性搜索的目标检测算法。该算法首先对药植图像进行高斯滤波去噪,并对图像做归一化预处理。对预处理后的图片使用基于图的图像分割算法进行原始分割区域的划分,计算相邻区域间的颜色、纹理、大小和交叠相似度。最后根据相似度进行区域合并,最终得到目标区域。文章图片数据集来自PPBC中国植物图像库以及作者实地拍摄。实验结果表明,该算法对有花植物检测得分达到84.3,叶片植物检测得分达到67.86,平均检测得分为76.08,较原选择性搜索算法提升12.64。此外,该算法不需要训练,计算简单,适用性更强。

基于微博的植物生长检测系统设计

本文研发了一款基于微博的植物生长检测系统,采用土壤温湿度传感器、环境温湿度传感器、二氧化碳传感器、紫外线传感器、烟雾传感器和亮度传感器实时检测获得植物的生长环境。当环境参数不适宜植物生长时,生长检测系统会自动发布微博信息提示缺水或高温报警信息和植物生长环境各参数,呼吁主人及时照顾植物,具有良好的互动效果。

改良十六烷基三甲基溴化铵-磁珠核酸提取方法及在植物转基因检测中的应用

目的建立一种快速、高效、便捷的植物基因组DNA提取方法并运用于植物转基因检测。方法改良传统的十六烷基三甲基溴化铵(cetyltrimethylammonium ammonium bromide,CTAB)方法,并结合磁珠吸附基因组DNA,配合核酸自动提取系统提取水稻和加工米粉中的核酸,荧光聚合酶链式反应(polymerase chain reaction,PCR)检测Bt63大米转基因成分,并与另外4种提取方法的结果进行对比,评价提取效果。结果 5种不同方法中CTAB-磁珠法提取的样品基因组DNA浓度和质量最佳,荧光PCR检测低浓度Bt63转基因成分(0.01%)的Ct值最小,检测结果最好。结论该方法可高效快速地提取植物核酸,在低含量的转基因成分检测中相比其他几种方法具有绝对优势。

基于物联网技术的植物生长状况检测系统

本文依据现代农业需求开发设计了一款基于物联网技术的植物生长状况检测系统。该系统基于STM32F103VE芯片,设计了图像采集器以及开发了相应的数据分析算法,其中图像采集器包含对应的智能图像处理算法。数据分析算法通过STM32F103VE芯片以及对应的外设实现检测植物生长状况的功能,并通过Wi-Fi以及GPRS技术实现数据的传输,最后通过移动终端或者管理终端显示结果。

基于Core ML的智能植物健康检测App的设计与实现

针对用户在养殖家庭植物因缺乏养殖经验而频频失败等问题,采用平台最新的机器学习技术,设计并实现一款基于平台集植物识别、健康检测、疾病预防多功能一体的App。通过大量植物图片数据集的训练,机器学习训练准确性达到73%,训练有效性达到65%,测试准确性达到72%,总体识别精准率在70%左右。系统能准确并高效地实现植物分类识别、植物相关信息获取以及植物健康检测功能,帮助用户更好地认识身边的植物,成为公众科学科普的有效手段。

BST北京赛恩思科贸有限公司 植物病害检测产品

植物病毒快速检测试剂盒，从样品前处理到检测实验的全套试剂，ELISA检测技术，操作简单，3小时出结果。快速检测试纸条不需仪器，适合野外操作，几分钟出结果。