CN109632892B - 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 - Google Patents
基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 Download PDFInfo
- Publication number
- CN109632892B CN109632892B CN201910025243.3A CN201910025243A CN109632892B CN 109632892 B CN109632892 B CN 109632892B CN 201910025243 A CN201910025243 A CN 201910025243A CN 109632892 B CN109632892 B CN 109632892B
- Authority
- CN
- China
- Prior art keywords
- arborvitae
- electronic nose
- trunk
- model
- headspace
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000008109 Thuja occidentalis Nutrition 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 29
- 240000003243 Thuja occidentalis Species 0.000 title 1
- 241000218636 Thuja Species 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 16
- 239000010959 steel Substances 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 240000002924 Platycladus orientalis Species 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007789 sealing Methods 0.000 claims description 5
- 241000238631 Hexapoda Species 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 235000013601 eggs Nutrition 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000011081 inoculation Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 18
- 125000003118 aryl group Chemical group 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 150000003568 thioethers Chemical class 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 1
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 1
- 241001481710 Cerambycidae Species 0.000 description 1
- 241000218691 Cupressaceae Species 0.000 description 1
- 102100028260 Gamma-secretase subunit PEN-2 Human genes 0.000 description 1
- 101000579663 Homo sapiens Gamma-secretase subunit PEN-2 Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012496 blank sample Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000003039 volatile agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Catching Or Destruction (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
本发明公开了一种基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用。以野外侧柏为检测对象，选择长势相近的侧柏进行分组，并对各样本组接种同样数量害虫，经过不同的为害时长后在顶空装置中静置一段时间，使用电子鼻检测，并使用未接种害虫的侧柏作为对照组，对获得的数据使用最大值、75秒稳定值、积分值和微分值进行特征提取并比较，选取最优的特征集，并将特征集分为训练集和测试集两部分。采用前向神经网络模型、支持向量机和概率神经网络对选取的训练集进行训练，并选取对测试集分类效果较好的模型实现对蛀干害虫为害时长的预测。本发明操作简单，并具有良好的预测效果。
Description
技术领域
本发明涉及一种检测野外侧柏受蛀干害虫为害时长的方法，特别涉及一种基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用。
背景技术
侧柏广泛种植于我国大多数地区，是一种重要的造林和绿化树种，具有很强的观赏性、文化价值以及药用价值。侧柏蛀干害虫常危害长势差或树龄较高的侧柏植株，由于蛀干害虫绝大部分时间在树干内部，常规方法很难检测，且其感染后前期症状不明显，极易错失及时的防治时机，进而导致侧柏树木枯死，引起观赏性降低、古木死亡、造林失败等，造成极大的经济、文化损失。
电子鼻是一种新兴的模仿动物嗅觉实现对象检测的仿生技术，可以通过采集对象的气味指纹信息或挥发性成分进行检测，因其高灵敏度、检测迅速等优势被广泛应用于食品、环境等方面的监测。
发明内容
本发明的目的在于提供一种基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用，能较准确快速的鉴别出侧柏受害虫为害时长。
本发明解决上述技术问题所采用的技术方案是：
一种基于电子鼻的侧柏受蛀干害虫为害时长检测模型的建立方法，检测过程通过电子鼻样品静态顶空收集装置实现，该装置包括顶空膜、钢丝骨架、取样针、进样管、电子鼻、电脑；其中，侧柏的虫害部位的树干被钢丝骨架包围，钢丝骨架由顶空膜封闭，取样针穿透顶空膜，取样针和进样管连接，进样管和电子鼻连接，电子鼻通过数据线和电脑相连；
电子鼻样品静态顶空收集装置的工作条件为：对检测部位的树干用顶空膜围绕钢丝骨架进行封闭；
包括以下步骤：
（1）挑选m≥20棵长势较弱的侧柏作为实验对象，并对每棵侧柏样本接种i≥3对害虫成虫，待成虫产卵孵化后每隔j (30≥j≥15)天进行一次检测，3个月内完成检测；同时，选取健康无损伤的侧柏作为对照组。每次检测将侧柏树干的用顶空膜封闭，然后静置120min-180min，使该顶空装置内挥发物浓度达到稳定。
钢丝骨架与顶空膜 形成的顶空空间的体积V与检测时间T、气流速度Q的关系如下：
V≥Q×T
检测时间T通过响应曲线是否达到平衡确定，检测气流速度Q设置为150mL/min –300 mL /min；清洗时间以响应曲线G/ G0（传感器电阻值G与基准气体通过时传感器电阻值G0的比值）的值稳定在1附近为准，气流速度为400mL/min – 800 mL /min；
（3）电子鼻对m个样本检测结束后，对各个传感器响应曲线的微分值、最大值、积分值和稳定值进行分别作为特征值，采用一种基于主成分分析或线性判别分析算法对上述特征值进行筛选，筛选出贡献率较高的主成分作为电子鼻检测的特征值；
（4）利用步骤（3）筛选出来m个样本的特征值, 取前n个累计贡献率最高的主成分，得到m×n维的特征子集，其中k×n个作为训练集， l×n个作为测试集，k/l≈2，m=k+l，用训练集建立神经网络、支持向量机和概率神经网络训练模型；
（5）基于步骤（4）的得到的训练模型用于计算测试集的分类正确率，将测试集代入训练模型中，通过对比模型预测测试集的标签和测试集的真实标签，计算分类准确率，选择分类准确率最高的模型作为预测侧柏为害时长的模型。
所述的步骤（5）选择支持向量机训练模型。
一种所述的模型的应用，基于电子鼻检测侧柏受蛀干害虫为害时长。
本发明具有的有益效果是：利用电子鼻对侧柏受蛀干害虫为害时长的检测，通过比较不同的特征值，选取最优的特征值，并以此特征集为训练集建立预测模型。该方法实现了使用电子鼻直接对侧柏受蛀干害虫为害时长的预测，并具有快速、准确、无损的特点，为检测侧柏蛀干害虫提供了一种新方法。
附图说明
图1是电子鼻样品检测系统的示意图；
图2是电子鼻检测侧柏受害时长的传感器响应曲线；
图3是不同提取特征的线性判别分析对比图；
图4是感染时长的预测结果图
图1中：侧柏植株1、钢丝骨架2、顶空膜3、取样针4、进样管5、电子鼻6、数据线7、电脑8。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种基于电子鼻的快速检测侧柏受蛀干害虫为害时长的方法，该方法检测过程通过电子鼻样品静态顶空收集装置实现。如图1所示，该装置包括顶空膜2、钢丝骨架3、取样针4、进样管5、电子鼻6、电脑8；其中，侧柏1虫害部位的树干被球形的钢丝骨架2包围，钢丝骨架2由顶空膜3封闭，取样针4穿透顶空膜3，取样针4和进样管5连接，进样管5和电子鼻6连接，电子鼻6通过数据线7和电脑8相连。
电子鼻样品静态顶空收集装置的工作条件为：侧柏被害虫为害后，对虫害部位的树干用顶空膜3围绕钢丝骨架2进行封闭。
该方法具体包括以下步骤：
（1）挑选m≥20棵长势较弱的侧柏作为实验对象，并对每棵侧柏样本接种i≥3对害虫成虫，待成虫产卵孵化后每隔j (30≥j≥15)天进行一次检测，3个月内完成检测；同时，选取健康无损伤的侧柏作为对照组。每次检测将侧柏的树干用顶空膜3封闭，然后静置120min-180min，使该顶空装置内挥发物浓度达到稳定。
（2）钢丝骨架2与顶空膜 3形成的顶空空间的体积V与检测时间T、气流速度Q的关系如下：
V≥Q×T
检测时间T通过响应曲线是否达到平衡确定，检测气流速度Q设置为150mL/min –300 mL /min；清洗时间以响应曲线G/ G0（传感器电阻值G与基准气体通过时传感器电阻值G0的比值）的值稳定在1附近为准，气流速度为400mL/min – 800 mL /min。
（3）电子鼻对m个样本检测结束后，对各个传感器响应曲线的微分值、最大值、积分值和稳定值进行分别作为特征值，采用一种基于主成分分析或线性判别分析算法对上述特征值进行筛选，筛选出贡献率较高的主成分作为电子鼻检测的特征值。
（4）利用步骤（3）筛选出来m个样本的特征值, 取前n个累计贡献率最高的主成分，得到m×n维的特征子集，其中k×n个作为训练集，l×n个作为测试集，k/l≈2，m=k+l。用训练集建立神经网络、支持向量机和概率神经网络训练模型。
（5）基于步骤（4）的得到的训练模型可用于计算测试集的分类正确率，将测试集代入训练模型中，通过对比模型预测测试集的标签和测试集的真实标签，计算分类准确率。选择分类准确率最高的模型作为预测侧柏为害时长的模型。
本发明适用于侧柏等林木受蛀干害虫为害时长的检测，主要适用于电子鼻检测并对其结果进行数据处理。以下的实施例便于更好的理解本发明，但并不限定本发明。
实施例
一种基于电子鼻的快速预测侧柏受蛀干害虫为害时长的方法，它的步骤如下：
以山东灵岩地区人工侧柏林的侧柏作为实验对象，挑选20株直径为8-12公分的长势较差的侧柏树作为样本，接种3对双条杉天牛成虫，待成虫产卵孵化后每隔30天进行一次检测，检测3个月；另外一组使用健康无损伤的侧柏树作为对照组。将处理后的每棵侧柏样本封闭于静态顶空装置中，然后静置120min，使该顶空装置内挥发物浓度达到稳定。对上述顶空装置内的挥发物使用电子鼻进行检测，对样本进行检测前，先将电子鼻预热一小时，然后进行两个空样本检测，再对样本进行检测，结束一个样本检测后需对电子鼻传感器进行清洗，然后检测第二个样本。电子鼻检测过程中设置检测时间、清洗时间、检测气流速度和清洗气流速度分别为85s、75s、200mL/min和600mL/min。
本案例中应用德国AIRSENSE公司的PEN3型电子鼻为检测仪器，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示，响应曲线如图2所示。
表1 PEN2型电子鼻各传感器的响应特征
| 序号 | 名称 | 性能特点 | 检测限 |
| 1 | S1 | 对芳香成分敏感 | 10ppm |
| 2 | S2 | 对氮氧化合物很敏感 | 1ppm |
| 3 | S3 | 对氨水、芳香成分敏感 | 10ppm |
| 4 | S4 | 对氢气有选择性 | 100ppm |
| 5 | S5 | 对烷烃、芳香成分敏感 | 1ppm |
| 6 | S6 | 对甲烷敏感 | 100ppm |
| 7 | S7 | 对硫化物敏感 | 1ppm |
| 8 | S8 | 对乙醇敏感 | 100ppm |
| 9 | S9 | 对芳香成分、有机硫化物敏感 | 1ppm |
| 10 | S10 | 对烷烃敏感 | 10ppm |
获得电子鼻的输出结果后，分别提取其75秒稳定值、最大值、积分值和平均微分值，使用主成分分析算法对各特征值进行筛选，选取贡献率最高的前2个主成分进行可视化分析，其结果分别如图3中（a）-(d)所示，本例75秒稳定值前2个主成分贡献率达到99.3%，故选取75秒稳定值作为电子鼻特征值。对75秒稳定值用主成分分析法进行降维，选取累积贡献率最高的前5个主成分进行数据处理，得到80×5的特征子集，每组样本用12×5的数据作为训练集，其余的8×5的数据作为测试集。分别用神经网络模型、支持向量机或概率神经网络用上述的训练集训练模型，然后用测试集测试模型的精度，结果如表2：
表2 不同分类模型的训练和测试正确率
| 分类模型 | 训练集的正确率 | 测试集的正确率 |
| 神经网络 | 96.5% | 91.6% |
| 支持向量机 | 100% | 100% |
| 概率神经网络 | 91.1% | 91.7% |
由表2可看出，支持向量机分类模型对侧柏虫害为害时长进行分类效果较好。因此可选择支持向量机作为预测侧柏受蛀干害虫为害时长的模型。
为验证上述模型的准确度，将预测集传感器响应值代入上述预测模型，计算出预测的蛀干害虫感染时长，与实际感染时长建立回归模型，结果如图4所示，其模型公式为：y=0.73×x+11.12，其中y为预测值，x为实际值，相关系数R2=0.92，均方根误差 RMSE= 5.83，说明该模型预测效果较好。
Claims (3)
1.一种基于电子鼻的侧柏受蛀干害虫为害时长检测模型的建立方法，其特征在于，检测过程通过电子鼻样品静态顶空收集装置实现，该装置包括顶空膜（3）、钢丝骨架（2）、取样针（4）、进样管（5）、电子鼻（6）、电脑（8）；其中，侧柏（1）的虫害部位的树干被钢丝骨架（2）包围，钢丝骨架（2）由顶空膜（3）封闭，取样针（4）穿透顶空膜（3），取样针（4）和进样管（5）连接，进样管（5）和电子鼻（6）连接，电子鼻（6）通过数据线（7）和电脑（8）相连；
电子鼻样品静态顶空收集装置的工作条件为：对检测部位的树干用顶空膜（3）围绕钢丝骨架（2）进行封闭；
包括以下步骤：
1）挑选m≥20棵长势较弱的侧柏作为实验对象，并对每棵侧柏样本接种i≥3对害虫成虫，待成虫产卵孵化后每隔j 天进行一次检测，30≥j≥15，3个月内完成检测；同时，选取健康无损伤的侧柏作为对照组；
每次检测将侧柏树干用顶空膜（3）封闭，然后静置120min-180min，使该顶空收集装置内挥发物浓度达到稳定；
2）钢丝骨架（2）与顶空膜 (3)形成的顶空空间的体积V与检测时间T、气流速度Q的关系如下：
V≥Q×T
检测时间T通过响应曲线是否达到平衡确定，检测气流速度Q设置为150mL/min – 300mL /min；清洗时间以响应曲线G/ G0的值稳定在1附近为准，其中G为传感器电阻值，G0为基准气体通过时传感器电阻值，气流速度为400mL/min – 800 mL /min；
3）电子鼻对m个样本检测结束后，对各个传感器响应曲线的微分值、最大值、积分值和稳定值分别作为特征值，采用一种基于主成分分析或线性判别分析算法对上述特征值进行筛选，筛选出贡献率较高的主成分作为电子鼻检测的特征值；
4）利用步骤3）筛选出来m个样本的特征值, 取前n个累计贡献率最高的主成分，得到m×n维的特征子集，其中k×n个作为训练集， l×n个作为测试集，k/l≈2，m=k+l，用训练集建立神经网络、支持向量机和概率神经网络训练模型；
5）基于步骤4）得到的训练模型用于计算测试集的分类正确率，将测试集代入训练模型中，通过对比模型预测测试集的标签和测试集的真实标签，计算分类准确率，选择分类准确率最高的模型作为预测侧柏为害时长的模型。
2.根据权利要求1所述的建立方法，其特征在于，所述的步骤5）选择支持向量机训练模型。
3.一种根据权利要求1所述的建立方法建立的模型的应用，其特征在于，基于电子鼻检测侧柏受蛀干害虫为害时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910025243.3A CN109632892B (zh) | 2019-01-11 | 2019-01-11 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910025243.3A CN109632892B (zh) | 2019-01-11 | 2019-01-11 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109632892A CN109632892A (zh) | 2019-04-16 |
| CN109632892B true CN109632892B (zh) | 2020-12-25 |
Family
ID=66060502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910025243.3A Active CN109632892B (zh) | 2019-01-11 | 2019-01-11 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109632892B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252525A (zh) * | 2021-12-21 | 2022-03-29 | 浙江大学 | 基于gc-ims的侧柏受蛀干害虫为害程度检测方法 |
| CN114252500A (zh) * | 2021-12-21 | 2022-03-29 | 浙江大学 | 基于gc-ims的侧柏受柏肤小蠹入侵数量的早期预测方法 |
| CN114577854A (zh) * | 2022-02-25 | 2022-06-03 | 江苏大学 | 一种基于电子鼻的柑橘黄龙病检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9604525D0 (en) * | 1996-03-02 | 1996-05-01 | Univ Leeds | Sensing device |
| CN102353701B (zh) * | 2011-07-20 | 2013-05-01 | 浙江大学 | 一种利用挥发物的农作物虫害诊断方法 |
| CN104237318B (zh) * | 2014-09-18 | 2017-01-25 | 吉林大学 | 一种利用电子鼻检测根茎类植物根部病虫害的方法 |
| CN105548490B (zh) * | 2016-01-11 | 2017-09-01 | 浙江大学 | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 |
| CN105572305B (zh) * | 2016-01-11 | 2017-08-04 | 浙江大学 | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 |
-
2019
- 2019-01-11 CN CN201910025243.3A patent/CN109632892B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109632892A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109632892B (zh) | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 | |
| Kranz et al. | Experimental techniques in plant disease epidemiology | |
| Petraitis et al. | Inferring multiple causality: the limitations of path analysis | |
| Lamb et al. | Structural equation modeling in the plant sciences: An example using yield components in oat | |
| CN107665355B (zh) | 一种基于区域卷积神经网络的农业害虫检测方法 | |
| Nutter Jr | Quantifying the temporal dynamics of plant virus epidemics: a review | |
| CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
| CN103544392B (zh) | 基于深度学习的医学气体识别方法 | |
| Rush et al. | Status of Karnal bunt of wheat in the United States 1996 to 2004 | |
| CN110033015A (zh) | 一种基于残差网络的植物病害检测方法 | |
| CN103562718A (zh) | 植物疾病检测 | |
| CN108090628A (zh) | 一种基于pso-lssvm算法的粮情安全检测分析方法 | |
| CN108038517A (zh) | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 | |
| Scortichini et al. | An evaluation of monitoring surveys of the quarantine bacterium Xylella fastidiosa performed in containment and buffer areas of Apulia, southern Italy | |
| CN105572305A (zh) | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 | |
| CN102550455A (zh) | 一种大黄鱼刺激隐核虫病害程度的判别方法 | |
| Song et al. | Identification of the agricultural pests based on deep learning models | |
| Wilson et al. | Application of conductive polymer analysis for wood and woody plant identifications | |
| LaBonte et al. | Estimating heritability of disease resistance and factors that contribute to long-term survival in butternut (Juglans cinerea L.) | |
| CN104237318B (zh) | 一种利用电子鼻检测根茎类植物根部病虫害的方法 | |
| Eigenbrode et al. | Host‐adapted aphid populations differ in their migratory patterns and capacity to colonize crops | |
| CN105548490B (zh) | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 | |
| Aliev et al. | Automated system for analysing the process of plant micropropagation | |
| CN114065813A (zh) | 一种改进G-means向量元的变压器绕组故障诊断方法 | |
| Hu | Application of PCA method on pest information detection of electronic nose |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |