基于特征融合Transformer的EfficientNet v2网络对马铃薯叶片病害的识别

马铃薯叶片病害是影响马铃薯质量和产量的主要因素,为了能够快速准确地识别马铃薯叶片病害并采取对应的防控和救治措施,本研究提出一种新型马铃薯叶片病害识别方法。该方法利用EfficientNet v2网络提取图像特征,通过4个不同尺度的网络层进行金字塔融合,从而捕捉不同尺度下的图像细节和上下文信息,并在金字塔融合中的每个下采样环节都添加1个CBAM注意力机制模块,且每个CBAM模块后都加入Vision Transformer的Encoder模块进行特征增强,帮助提升所提取特征的丰富性和抽象能力,最后使用softmax进行分类。研究提出的模型识别准确率达到98.26%,相比改进之前提升3.47百分点,且其loss收敛更快,宏平均值与加权平均值都有明显提升。消融试验表明,该模型在各项指标上的表现最优,超过基线模型和融合模型,大幅提高图像分类识别任务模型的性能表现。该方法可有效提高病害区域的识别能力和检测准确率,且能在强干扰的环境下做到高精度识别,具有良好的鲁棒性和适应性,同时能解决病害识别中泛化能力弱、精度低、计算效率低等问题。

基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降,为实现马铃薯叶片病害的精确检测并及时预防病变,提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先,利用一组共享权重的特征提取器将输入图片映射到深度特征空间;然后,提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征,强化目标任务的特定表达能力;最后,引入一种动态卷积模块提高卷积核的建模能力,并将卷积块注意力机制(CBAM)嵌入到该卷积网络中,构造特征强化学习模块,细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试,所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F1值;此外,在自建数据集上与当前经典马铃薯叶片病害检测模型相比,同样具有较好的竞争力。

基于插值NURBS曲面的马铃薯叶片3维重建

随着计算机虚拟技术的迅速发展,虚拟作物技术已成为水稻、小麦、玉米等农作物生长发育状况研究的重要工具.现有关于农作物叶片3维重建的研究主要关注叶片的正面表面,而忽略了背面构造.该文针对农作物叶片3维重建问题,选取马铃薯叶片作为研究对象.首先,利用马铃薯叶片的实测数据和标记数据,结合非均匀有理B样条(NURBS)曲面重构技术,通过控制点的反算方法及权重因子插值曲面算法,确定插值NURBS曲面的节点矢量、控制点、权重因子等相关参数;其次,采用插值NURBS曲线的方法对叶脉进行3维重建;最后,使用VisMPL和VisVTK对曲面进行颜色渲染和绘制,并引入曲面容器将叶正面、叶背面和叶柄的插值NURBS曲面进行融合.实验结果表明:基于传统方法,该方法通过增加叶片背面的构造,在重建马铃薯叶片的3维曲面模型上表现出色,有效实现了马铃薯叶片形态特征的3维重建,为马铃薯叶片研究提供技术支持.

马铃薯叶片光合特性研究

为提高马铃薯产量和品质,以大西洋马铃薯为材料,研究了光合强度和CO2浓度对马铃薯叶片光合作用的影响.试验结果表明:马铃薯叶片光合作用的光饱和点约为1 400μmol/(m2?s),光补偿点约为50μmol/(m2?s).在光饱和点和光补偿点之间,随着光合强度的增加,叶片的气孔导度和蒸腾速率升高,胞间CO2浓度降低;随着CO2浓度的增加,光合速率升高,其CO2的饱和点约为2 000μmol/mol.在CO2的饱和点以下,随着CO2浓度的增加,气孔导度和蒸腾速率呈下降趋势,而胞间CO2浓度持续增加.

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9～1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82, 1 410.12, 1 403.62, 1 413.32, 1 416.62, 1 419.82, 1 400.32, 1 423.12, 1 426.32, 1 429.62, 1 432.82, 1 436.12, 1 439.32, 1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62, 1 041.12, 1 222.52, 1 465.22, 1 397.02, 1 449.02, 1 034.32, 1 523.22, 976.42, 1 172.52, 979.82, 1 165.82, 1 037.72, 1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示, CA算法选取的15个波长均在1 400.3～1 450.0 nm范围内, CA-PLSR模型的建模精度(R■)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R■)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部"峰谷"特性,且RF-PLSR模型的建模集精度(R■)为0.983 2、 RMSEC为2.32%,验证集精度(R■)为0.947 1、 RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%, 80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。

SOD_M、DTA-6及Cc对马铃薯叶片碳代谢相关生理指标的影响

大田栽培条件下，以马铃薯（Solanum tuberosum L.）荷兰212为材料，叶面喷施不同植物生长调节剂，测定叶片中蔗糖、蔗糖转化酶活性、淀粉、淀粉酶活性变化以及可溶性糖、还原糖等含量的变化，研究喷施植物生长调节剂对马铃薯叶片碳代谢生理指标的影响。结果表明：喷施SOD模拟物（简称SODM）后16天叶片中可溶性糖、蔗糖以及淀粉的含量显著提高，24天和32天后还原糖含量明显增加；氯化胆碱（Choline chloride, 简称Cc）能够极显著降低处理后32天时叶片的转化酶活性，也可以显著提高处理后24天和32天时还原糖的含量；2-N，N-二乙氨基乙基己酸酯（Diethyl aminoethyl hexanoate，简称DTA-6）能够极显著提高使用后16天时淀粉的含量，同时其对处理后24～32天淀粉酶活性有极显著降低的作用。

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法(MC-UVE)和自适应重加权算法(CARS)筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘(PLS)回归模型。建模结果如下:基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。

基于卷积神经网络马铃薯叶片病害识别和病斑检测

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F_(1)为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F_(1)值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。

马铃薯叶片光化学吸收与反射光谱关联分析及检测

为开展马铃薯叶片PSⅡ叶绿素荧光参数无损检测研究,利用高光谱成像系统采集200个感兴趣区域样本点的光谱图像并提取反射率,使用封闭式叶绿素荧光成像系统采集相应样本点的qP值。采用SPXY算法将总样本按照2∶1的比例划分为建模集(135个样本)和验证集(65个样本),采用联合区间偏最小二乘法(Synergy interval partial least squares,siPLS)和随机蛙跳(Random frog,RF)算法各筛选出18个敏感波长,并用选择的特征波长建立偏最小二乘回归(Partial least squares regression,PLSR)模型。结果表明:siPLSPLSR模型的建模集决定系数R2c为0.6285,验证集决定系数R2v为0.6103;RFPLSR模型的建模集决定系数R2c为0.7093,验证集决定系数R2v为0.6872。结果表明利用RF算法筛选的特征波长对马铃薯叶片qP值检测的解释性优于siPLS算法,特征波长在518.72~640.64 nm、650~800 nm和850~1000 nm范围,体现了荧光发射信号是马铃薯作物光化学吸收qP值的重要响应特征,且叶片光化学吸收与叶绿素含量、叶片结构、水分含量等属性紧密关联。绘制叶片qP值分布图为分析马铃薯叶片光化学吸收和光合作用动态提供了直观的分析手段,可为马铃薯作物光合活性评价及复杂生理生化动态监测提供支持。

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法,并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900~2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息,经SG(Savitzky-Golay)平滑、多元散射校正(MSC)和标准正态变量变换(SNV)3种预处理后,分别建立偏最小二乘回归(PLSR)模型和BP神经网络模型,再运用回归系数(regression coefficients,RC)法在全波段光谱中提取特征波长,同样经3种预处理后分别建立预测模型。结果表明:在运用光谱全波段信息构建的模型中,经多元散射校正(MSC)预处理建立的BP神经网络模型预测效果最好,预测集决定系数R2为0.9791,均方根误差RMSE为0.3723;在基于特征波长构建的模型中,经SG平滑预处理建立的神经网络模型预测效果最优,预测集决定系数R2为0.9658,均方根误差RMSE为0.4759;验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大,因而能够极大地减少运算量,提高预测效率。

马铃薯叶片晚疫病的多光谱分类识别

利用Spectrocam多光谱相机获取C-88马铃薯健康叶片和患晚疫病叶片的可见光及近红外通道的多光谱图像。综合考虑多光谱图像各通道间的相关性及其信息量,采用波段指数法选取两种叶片的特征波段,并通过欧氏距离聚类方法对所提取的特征波段进行分类。实验结果表明,用波段指数法提取多光谱图像的特征波段,能快速获得马铃薯叶片的信息,475nm、558nm、717nm、750nm、850nm作为马铃薯健康叶片的特征波段,马铃薯患晚疫病叶片的特征波段是509nm、620nm、717nm、750nm和832nm。采用欧氏距离法对健康和患病叶片进行识别,其识别率分别可达92.6%和92.8%。因此利用多光谱成像技术可以进行马铃薯病害的快速、准确识别,为实现马铃薯病害的田间实时在线监测提供了参考。

基于多光谱图像选取马铃薯叶片的最佳彩色波段组合

为了快速目测识别马铃薯叶片,利用Spectrocam多光谱相机获取健康C-88马铃薯叶片的可见光及近红外通道的多光谱图像。采用波段指数法提取叶片的特征波段,通过真彩色原理及标准假彩色对所提取的特征波段进行彩色合成,在此基础上得到最佳彩色波段组合。实验结果表明,用波段指数法提取多光谱图像的特征波段进行彩色合成,能快速获取马铃薯叶片的最佳波段,并得到680,558,475nm和800,680,558nm为最佳彩色波段组合,为遥感图像的目视解译和更多有效信息的提取提供了可靠依据。

基于YOLOv3-SPP的马铃薯叶片病害识别研究

实现马铃薯叶片病害的快速、准确识别,对于提高马铃薯产量具有重要意义。介绍了一种改进的YOLOv3-SPP算法,该算法引入了SPP模块以提高识别的准确性。基于该优化算法,设计了一种基于深度学习技术的马铃薯叶片病害识别系统,实验表明,YOLOv3-SPP能够快速、准确地识别马铃薯叶片常见病害,对于马铃薯叶片病害识别的深入研究与发展提供了参考,具有一定的工程意义。

云南省4个主栽马铃薯品种叶片内生细菌多样性研究

为明确不同马铃薯品种叶片内生细菌多样性及差异,为马铃薯抗逆性机理及内生菌开发研究提供依据。利用LB培养基对云南省4个主栽马铃薯品种叶片内生细菌进行分离培养,根据形态特征和16S rDNA序列对菌株进行分类鉴定。从青薯9号马铃薯叶片中分离获得内生细菌3门8科9属10种,其中葡萄球菌属和微小杆菌属为优势菌属,相对多度均为18.18%;从会-2马铃薯叶片中分离获得内生细菌4门11科11属12种,其中不动杆菌属和假单胞菌属为优势菌属,相对多度均为15.38%;从合作88马铃薯叶片中分离获得内生细菌4门9科10属13种,其中不动杆菌属为优势菌属,相对多度为23.53%;从丽薯6号马铃薯叶片中分离获得内生细菌4门7科8属17种,其中葡萄球菌属为优势菌属,相对多度为22.22%。4个马铃薯品种叶片中可培养细菌共有37种,其中青薯9号、会-2、合作88和丽薯6号马铃薯叶片中独有的内生细菌分别有4,8,4,10种。马铃薯不同品种叶片内生细菌种类组成及优势菌属不同,可为马铃薯叶片内生菌功能研究提供菌种资源。

利用马铃薯离体叶片结薯的新途径

通过2007—2009年的研究发现,在马铃薯植株生长到现蕾期或开花前期,通过适当的温度控制,利用脱毒马铃薯离体羽状复叶的腋芽,以一定浓度的萘乙酸(NAA)、吲哚乙酸(IAA)、吲哚丁酸(IBA)刺激,经过4～5周后,能够诱导出有效微型小块茎。其个体一般为3.0～8.0 g,最高可达10.0 g以上,后代植株生长健壮,不退化,产量高。采用马铃薯离体叶片腋芽结薯,时间短、成本低、操作简便、繁殖系数高,提高了单薯粒重,开辟了马铃薯微型薯生产的新途径。

防治马铃薯早疫病

[咨询]马铃薯叶片上有许多黑点(图1),不知是什么原因?[解答]马铃薯叶片上的黑点是早疫病的症状表现,早疫病在连续低温阴雨天气转晴后,容易暴发。

马铃薯瓢虫发生规律与绿色防控技术

马铃薯瓢虫,俗称“花大姐”,别名大二十八星瓢虫,属鞘翅目、瓢虫科。其寄主为马铃薯、茄子、番茄、辣椒、豆类、瓜类及龙葵、小蓟、灰菜、野觅菜等,以马铃薯、茄子受害最重。马铃薯瓢虫主要以马铃薯叶片、果实和嫩茎为食,是黑龙江省黑河市马铃薯产区的主要害虫之一,近年来,马铃薯瓢虫的为害也日趋严重,给农业生产安全带来影响。

基于分层特征交叉注意力的小样本马铃薯病害叶片识别

为了及时、准确地识别马铃薯叶片病害,有效预防马铃薯早期病变并提高马铃薯的产量和质量,针对传统马铃薯病害叶片识别方法过度依赖标注样本和特征利用不充分的问题,提出一种基于分层特征交叉注意力的小样本马铃薯病害叶片识别方法。首先,利用VGG-16网络的不同编码块,将支持分支和查询分支的马铃薯叶片映射到深度特征空间,并按照不同块的输出构造分层特征集;其次,设计一种交叉注意力网络,实现双分支网络分层特征之间的信息交互,强化特征的表达;最后,利用掩码平均池化获得交互特征的全局信息,并借助无参数的度量学习指导未知马铃薯病害叶片类型的识别。通过在AI Challenger 2018开源数据集、自建小样本马铃薯数据集上进行测试,所提出模型分别可以实现0.973、0.951的识别精度,优于当前主流的马铃薯病害叶片识别模型,具有较好的实际应用价值。

取食马铃薯块茎和叶片的马铃薯块茎蛾肠道内可培养细菌的多样性

为明确取食马铃薯块茎和叶片的马铃薯块茎蛾Phthorimaea operculella幼虫肠道可培养细菌种类组成的多样性及其差异,分别对取食马铃薯块茎和叶片的马铃薯块茎蛾4龄幼虫的肠道细菌进行分离培养,根据菌落形态和生理生化特征及16S rDNA序列分析对菌株进行分类鉴定。结果表明,从取食马铃薯块茎的马铃薯块茎蛾肠道内共分离获得细菌有4门8科10属15种,其中褪色沙雷氏菌Serratia marcescen和乙酸钙不动杆菌Acinetobacter calcoaceticus为优势种,其相对多度分别为17.20%和16.06%。从取食马铃薯叶片的马铃薯块茎蛾肠道内共分离获得细菌有4门10科10属16种,其中琥珀葡萄球菌Staphylococcus succinus和乙酸钙不动杆菌为优势种,其相对多度分别为11.86%和15.07%。取食马铃薯块茎和叶片的马铃薯块茎蛾肠道内相同的可培养细菌有4属5种,分别为褪色沙雷氏菌、深红沙雷氏菌Serratia rubidaea、阿氏肠杆菌Enterobacter asburiae、乙酸钙不动杆菌和琥珀葡萄球菌。表明取食马铃薯块茎和叶片的马铃薯块茎蛾幼虫的肠道内可培养细菌组成结构不同,且优势种存在差异。