农业科研：葡萄卷叶病感染程度诊断方法.docx

农业与科技融合，无人机应用研究，葡萄卷叶病感染程度诊断方法在葡萄生长的后期，叶片出现了各种不同的病害，其中比较常见的有多种，比如霜霉病、黑腐病褐斑病、卷叶病等，都会影响到葡萄的生长与结果。基于无人机遥感和深度学习葡萄卷叶病感染程度诊断方法智慧农业科研针对葡萄生长后期叶片发生的病害，可以采取一些措施来进行防治。比如说，在种植的过程中，要注意灌溉的方式和时机，保持土壤的透气性和排水性，避免湿度过高。同时，及时清除患上病害的叶片和果实，防止病菌的传播和扩散。在发现病害症状时，要及时使用相应的农药进行治疗，避免病情继续恶化。（a）田间谓作点分布重度轻度 健碇健康依及（b）林本数域分布<c）卷叶柄柬度 （d）卷叶病轻度 <e）健康<D 叶病重度（g）桂叶病轻度（h）健康（地面）（地面）（地面）葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。西北农林科技大学机械与电子工程学院与农业农村部农业物联网重点实验室、陕西省农业信息感知与智能服务重点实验室、西北农林科技大学葡萄酒学院、宁夏贺兰山东麓葡萄产业园区管理委员会等机构联合组成了以苏宝峰科研团队。针对此问题，提出一种结合细粒度分类和生成对抗网络(GeneratiVeAdversarialNetwork,GAN)的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分类的性能。以蛇龙珠品种卷叶病识别诊断为例，使用GANfOrmer分别对每一类的葡萄园正射影像的分块图像进行学习，生成多样化和逼真的图像以增强数据，并以SWinTranSformertiny作为基础模型，提出改进模型CA-SWinTranSfOrmer,引入通道注意力机制(ChannelAttention,CA)来增强特征表达能力，并使用ArCFaCe损失函数和实例归一化(InStanCeNOrmaIiZation,IN)来改进模型的性能。准确率GANformer可以生成FIDscore为93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络(ConVolUtionaINeUraINetWOrks,CNN)的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。最佳模型SWinTranSfOrmer在增强数据集上达到83.97%的准确率,比在原始数据集上提高3.86%,且高于GoogLeNetMobileNetV2xNasNetMobile>ResNetl8>ReSNet50、CVT和T2TViT等对照模型。而该研究所提的CA-SWinTransformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用SwinTransformer精度提高6.54%omW康度度健堇轻”该研究基于CA-SwinTranSformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分布图，为葡萄园卷叶病的防治提供了参考。同时，该研究的方法为无人机遥感监测作物病害提供了一种新的思路和技术手段。