工控網首頁
>

應用設計

>

農業物聯網應用及農作物病害科研進展

農業物聯網應用及農作物病害科研進展

2022/5/11 13:42:43

  作物病變、蟲害,作為威迫作物生長的主因之一,一直是科研攻關的方向。隨著深度學習、物聯網、遙感等技術的不斷發展,不少農科院所也在嘗試借助現代科技,突破病變的識別與檢測,致力于將病害扼殺在萌芽階段。近期,中國農業科學院與甘肅農業大學、安徽大學與安徽省農業科學院的團隊發表了相關研究論文,闡述了植物病變檢測研究進展。

  一、植物葉部病害檢測與識別

  中國農業科學院與甘肅農業大學,將深度學習應用于植物病害檢測與識別中,就提升病害檢測與識別的準確率為目標展開了研究。研究收集和介紹了部分公開的植物病害圖像數據集,概述近年來深度學習在植物病害檢測,與識別中的研究應用進展,及植物病害檢測識別的研究進展歷程和各算法的優缺點。

  植物病變的檢測難點在于:病害癥狀的相似性、不同時期癥狀變化、以及多種病害交疊共存,也就是說在光照、遮擋、復雜背景等因素的相互影響下,成為病害檢測和識別面臨的主要挑戰。將神經網絡、大數據和農業理論相結合,可用于早期病害識別,可以克服傳統診斷方法的弊端,是未來主要的發展趨勢,為植物病害識別的深入研究與發展提供參考。

  二、小麥白粉病監測方法

  小麥白粉病小麥白粉病菌內生理分化現象十分明顯,且病菌對溫濕度的適應范圍廣泛,目前國內已鑒定出生理小種70多個。對此,安徽大學與安徽省農業科學院,以衛星遙感技術大范圍監測和評估小麥白粉病展開了研究。

  研究利用多源多時相衛星遙感影像檢測小麥白粉病并提升分類精度,通過熱紅外傳感器數據、中分辨率成像光譜儀數據反演地表溫度、寬幅相機數據提取小麥種植區和計算植被指數。利用用戶精度、生產者精度、總體精度和Kappa系數對比四個模型的分類精度。結果顯示,研究構建的SMLST-SVM取得了最高分類精度,總體精度和Kappa系數分別為81.2%和0.67,而SLST-SVM則為76.8%和0.59,顯著提升了小麥白粉病的識別精度。

  植物病變的早期識別是防治的關鍵,上述研究在推動病蟲害精準化防治與數字信息化管理,向智慧農業又前進了一步,希望更多科研成果能在農業生產加工中應用,真正做到學以致用。

審核編輯(
王靜
)
投訴建議

提交

查看更多評論
其他資訊

查看更多

水質在線監測系統方案

水源井遠程監測系統

水源井監控系統解決方案

水文監測系統方案

智慧城市排水遠程監控系統方案