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1.49×10¹⁰;通过与YOLO v3、THP-YOLO v5、YOLO v7、YOLO ...     

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。