На виноградных листьях коричневые пятна: На листьях винограда появились пятна – что делать и чем лечить кусты

Важно! При применении химических средств следует точно придерживаться инструкции, приложенной к препарату.

Часто болезни винограда провоцирует нападение насекомых — вредителей. В статье давался краткий обзор этих насекомых и методы их выявления. Избавиться от них помогут следующие препараты и меры.

Насекомое	Принимаемые меры	Препараты
Филлоксера	1. Удалять поверхностные корни; 2. Уничтожать сорняки. 3. Дважды в сезон обрабатывать посадки инсектицидами.	Фастак, Актеллик, Кинмикс.
Виноградные клещи	1. Убрать все пораженные побеги, а также сорняки; 2. Весной обработать лозы пятипроцентным раствором извести с серой; 3. При обнаружении клещей обработать листья акарицидами и инсектицидами; 4. Сжигать удаленные пораженные и все опавшие листья.	БИ-58, Актелликом, Неороном, Омайтом, Фозалона, Каратэ.
Листоверка	1. В конце мая опрыскать химическими препаратами. 2. Постоянно убирать опавшие листья. 3. После цветени опрыскать кусты слабым (0,1%) раствором Ровикурта.	Конфидор, Арриво, Инта-вир, Фастак, Фуфанон, Ровикурт.
Трипсы	Следует часто осматривать растение и при первых признаках поражения трипсами использовать химикаты.	БИ-58, Карбофос, Арриво, Каратэ, Децис.

При правильном подходе уход за виноградом не займет много времени. Как правило, удобрение лозы и обработка против заболеваний и вредителей проводится в одно и то же время. Все эти мероприятия можно совместить.

0 0 голоса

Рейтинг статьи

фото и чем лечить, что делать

Появление пятен на виноградных листьях — тревожный симптом. Практически всегда он говорит о развитии заболевания растения. Несвоевременная борьба с возбудителем болезни может привести к гибели целой культуры. Какие признаки присущи той или иной патологии и что нужно предпринять для своевременного лечение винограда.

Грибковые заболевания листьев винограда

Грибковые патологии возникают из-за размножения спор. Заражение лозы может произойти по воздуху (например, возбудителя перенесет порывом ветра) или через насекомых. Высокая вероятность развития болезни лозы в особую влажность — при избытке воды размножение спор происходит гораздо быстрее.

Споры, проникая внутрь лозы, начинают питаться влагой и питательными элементами, этим самым истощая его. В запущенных случаях грибковая патология может привести к смерти куста винограда.

Ложная мучнистая роса

Для милдью — второе название ложной мучнистой росы — характерно появление желтых маслянистых пятен на листьях винограда. В самом начале развития болезни поражается верхняя часть лианы. По мере развития заболевают и нижние листочки. А затем споры перебрасываются на побеги, соцветия и ягоды. Очень часто ослабленный куст не удается вылечить, и он погибает.

При первых же признаках проявления болезни следует произвести противогрибковую обработку такими препаратами, как Хом, Оксихом или Курзат. После необходимо проводить опрыскивание каждые две недели.

Антракноз

Еще одно грибковое заболевание, которое поражает полностью все растение, включая побеги. Основной признак поражения — сухие пятна с коричневым или бурым оттенком.

При обнаружении первых проявлений антракноза лозы следует опрыскивать каждые две недели раствором Полихома, Арцерида или хлорокисью меди.

Мучнистая роса

Характерным признаком мучнистой росы — оидиума — является появление белых, желтых или серых пятен на листочках винограда. Грибковые споры питаются влагой носителя, поэтому лоза принимает выпуклую форму. Также можно заметить белый налет в нижней части лозы.

Для того чтобы заболевание не поразило весь куст, нужно производить лечение фунгицидами. Например, коллоидной серой.

Последняя противогрибковая обработка должна производиться не позднее, чем за полтора месяца до сбора урожая.

Альтернариоз

В отличие от остальных грибковых заболеваний, альтернариоз возникает из-за длительной засухи. Для него характерно появление пятнышек серебристого или светло-коричневого цвета, которые впоследствии темнеют, приводят к гниению листочка.

Лечение винограда производят раствором Триходермина. Также во избежание рецидива каждые 2 недели следует опрыскивать растение Рапид Голдом или Скором.

Вертициллезное увядание

Сухая гниль возникает, как правило, тогда, когда виноград высаживают сразу после клубничных кустов. Характерным признаком становится появление желтых пятен и прожилок на листьях и лиане. Пораженные ягоды гниют еще на ветке. Единственный способ борьбы с увяданием — это обрезка больных веток.

Серая гниль

Это заболевание поражает ягоды растения. На плодах появляются бурые пятна, которые сменяются белым налетом и гниением. Для борьбы с серой гнилью используют такие противогрибковые препараты, как Топаз или Ронилан.

Эскориоз

Эскориоз характеризуется черной пятнистостью — небольшими черными и бурыми точками на листьях в нижней части лианы. В редких случаях болезнь поражает не только растение, но и его ягоды — они приобретают фиолетовый оттенок и меняют вкус.

Лечение эскориоза будет выглядеть следующим образом:

• до набухания почек виноград следует обработать раствором Днока или Диносеба;
• после появления первых листьев — органическими фунгицидами. Повторять обработку нужно каждые 10 дней.

Аспергиллезная гниль

Это заболевание так же характерно для продолжительной засухи. Здесь от грибковых пор страдают ягоды винограда — на них появляются светлые пятна, которые позже темнеют, становятся вдавленными и мягкими. Плоды начинают трескаться и покрываться серым налетом. Для борьбы с аспергиллезной гнилью используют фунгициды.

Инфекционные заболевания листьев винограда

Другими возбудителями болезней виноградных листьев становятся вирусы и инфекции. Попадают они из зараженной почвы. Главная проблема таких патологий заключается в том, что симптоматика не всегда является явной.

Белая гниль

Белая гниль возникает из-за солнечных ожогов или механических повреждений. Заметить болезнь можно по плодам винограда — они темнеют, сморщиваются, затем засыхают и отпадают. Для борьбы с белой гнилью используют Фундазол или Колфуго Супер. В зависимости от степени тяжести, растение нужно обработать от одного до трех раз.

Бактериальный рак

Возбудители заболевания проникают в растения через мелкие трещины и ранки. На рукавах и штамбе куста появляются наросты, которые практически невозможно устранить. Единственный способ борьбы с раком — обрезание растения. Если вылечить его не удалось, куст следует уничтожить.

Недостаточное питание почвы

Еще одна причина пятен на виноградных листьях — недостаточное питание почвы. Дефицит железа, бора, магния приводят к изменению цвета растения. Явное пожелтение листьев говорит о том, что земле не хватает железа или, напротив, в ней слишком много извести. Устранить этот недостаток можно удобрением железным купоросом.

Несколько светлых пятен на растении могут сказать о том, что в почве мало бора. Для лечения винограда следует обработать землю 2%-ным раствором борной кислоты.

Обесцвеченные края листьев свидетельствуют о недостатке магния. Для устранения проблемы следует необходимо внести в почву калимагнезию. Помимо этого, нужно регулярно окучивать почву для постоянной подпитки кислородом.

Виноградный клещ

Визуально присутствие виноградного клеща можно обнаружить по деформированной форме листа. На внешней его стороне появляются пузыри, а на внутренней — белый мягкий налет. В отличие от грибковых заболеваний, бель от клеща убрать невозможно. На листьях могут появляться желтые, красные, бурые или оранжевые пятна.

В наших краях распространены следующие виды клещей:

• паутинный;
• почковый;
• листовой;
• войлочный.

Борьбу с вредителями нужно начинать только тогда, когда количество пораженных листьев составит примерно 20%. Для избавления от насекомых следует использовать раствор коллоидной серы, Карбофос, Омайт или Фитоверм. Обрабатывать необходимо два раза — каждые 10 дней. Обработку кустов нужно осуществлять при температуре не ниже 20 градусов.

Вредители очень быстро приспосабливаются к новому химическому составу. Поэтому стоит постоянно менять препараты.

Одним из народных методов борьбы с виноградным клещом является раствор мыльной пены. Эти насекомые не любят влагу, поэтому в борьбе с ними поможет даже такой простой способ.

Причины возникновения болезней

Очень редко можно наблюдать инфицирование здоровых кустов. Практически всегда заболеваниям подвергаются ослабленные растения. Поэтому при посадке и уходе за виноградом стоит уделить внимание состоянию лиан.

Факторами возникновения заболеваний виноградом являются:

• неправильная посадка. Растение заболеет, если оно было высажено на излишне влажном и теневом участке;
• неправильный уход. Несоблюдение графиков подкормки и обработки кустов приводит к попаданию возбудителей;
• неправильная обрезка растения;
• ошибки в утеплении кустов;
• ослабленность винограда после зимних месяцев.

Профилактические мероприятия

Не всегда возникшее заболевание можно устранить. Иногда появление грибка или вируса приводит к гибели не только одного куста, но и целой культуры. Чтобы не допустить возникновение пятен на виноградных листьев, нужно регулярно проводить профилактические мероприятия.

В профилактику заболеваний винограда входят:

1. Посадка только здоровых саженцев.
2. Высадка растения на подходящем участке — без лишней влаги и с достаточным количеством солнечного света.
3. Правильное формирования кустиков.
4. Своевременная санитарная обрезка лиан, избавление от больных и мертвых кустов.
5. Высадка устойчивых к заболеваниям растений.
6. Своевременная подвязка кустов.
7. Обработка противогрибковыми препаратами.
8. Профилактическая обработка бордоской смесью.
9. Регулярное рыхление.

Теперь вы знаете о том, почему иногда могут появляться пятна на виноградных листьях. К сожалению, практически всегда этот признак является вестником опасного заболевания. Выполнение профилактических мер позволит не допустить поражение и гибель винограда или их снизить риск.

коричневых пятен на листьях винограда без косточек Томпсона | Home Guides

Вкусный и полезный виноград без косточек Томпсон (Vitis vinifera «Thompson») выращивается в Калифорнии с 1878 года и является наиболее широко выращиваемым виноградом в штате. Зеленовато-белый виноград выращивают для употребления в свежем виде; изготовление соков, желе и вин; и для изюма. Подходящий для виноградников в зонах устойчивости растений с 7 по 9 Министерства сельского хозяйства США, Томпсон относительно легко выращивать.Как и большинство сортов винограда, растения без косточек Томпсона могут стать жертвой болезней, поражающих листву и повреждающих или убивающих растение.

Тростник и пятнистость фомопсиса

Вызываемые грибком Phomopsis viticola, тростник и пятнистость фомопсиса вызывают на листьях виноградной лозы маленькие темные пятна с желтыми ореолами на листве. Пятна разрастаются и размножаются по мере распространения болезни. Сильно зараженные листья могут деформироваться. Инфекция может распространиться на виноград, вызывая его сморщивание. Обработка области перед осенними дождями может помочь уменьшить источник патогена.Фунгициды для листьев, содержащие медь, манкоцеб или серу, можно распылять на растения после распускания почек весной для защиты растений.

Корь (Esca)

Некоторые виды грибов вызывают появление небольших пятен между жилками на листьях виноградной лозы. Пятна увеличиваются, засыхают, буреют, и листья могут опадать с растения. Бессемянные виноградные лозы Томпсона чаще всего проявляют симптомы этого заболевания в июле и августе, но растение может заразиться в любой момент во время активного роста. Заболевание может распространиться на виноград. Корь обычно поражает растения старше 10 лет. Жидкая сера извести, которая подходит для органических садов, может быть распылена на лозы для борьбы с болезнью. Тщательно распылите средство, чтобы добраться до грибковых тел, скрывающихся в трещинах и щелях. Пасту из тиофанат-метила можно наносить на срезанные или обрезанные поверхности сразу после стрижки виноградных лоз, чтобы защитить виноградную лозу Томпсона.

Болезнь Пирса

Переносимая снайперами и другими сокососущими насекомыми болезнь Пирса заставляет виноградную лозу в разгар лета казаться водной.Листья становятся желтовато-коричневыми или красновато-коричневыми на участках или по краям и в конечном итоге отмирают. Болезнь Пирса также вызывает сморщивание плодов. Управление во многом зависит от использования пестицидов, разработанных для борьбы с конкретными насекомыми. Удалите виноградные лозы с выраженными симптомами на листве. Второй год после заражения обычно является наиболее значимым. Наблюдение за растениями на предмет обострения болезни и удаление сильно инфицированных растений может защитить близлежащие здоровые виноградные лозы. Обработка близлежащей прибрежной растительности, которая может укрывать снайперов, также может помочь уменьшить распространение болезни Пирса.

Ложная мучнистая роса

Ложная мучнистая роса (Plasmopara viticola) вызывает желтовато-коричневые маслянистые поражения на бессемянных листьях виноградной лозы Томпсона. Пятна не пересекают вены и могут иметь ватные белые наросты внутри пораженных участков. Кончики побегов искривляются, буреют и отмирают. Плоды могут стать серыми и пушистыми. Споры перемещаются под брызгами дождя и ветра. Улучшенный дренаж вокруг виноградной лозы и очистка территории от растительных остатков на земле могут помочь ограничить распространение спор.Профилактические фунгициды, такие как манкоцеб, манеб и медь, могут помочь здоровым виноградным лозам противостоять инфекциям. Базальный сульфат меди подходит для использования в органических садах.

Ссылки

Ресурсы

Биография писателя

Одри Линн работает журналистом и писателем с 1974 года. Она редактировала еженедельный таблоид, посвященный дому и саду, для газеты своего родного города и регулярно работала в еженедельных и ежедневных газетах, а также Журнал «Закон и порядок». Линн изучала английский язык в Государственном университете Колумбуса.

Ржавые коричневые пятна на виноградных листьях | Home Guides

Виноград (Vitis sp.) Широко выращивается и пользуется популярностью из-за привычки к виноградной лозе, характерной листвы и гроздей плодов, которые они производят. Выносливость виноградной лозы, описание плодов и другие характеристики варьируются в зависимости от вида и сорта. Многочисленные болезни и вредители потенциально поражают виноград; только некоторые из этих болезней или вредителей оставляют на листьях коричневые или ржавые пятна.

Тростник и пятнистость Phomopsis

Пятна на тростнике и листьях Phomopsis, вызванные Phomopsis viticola, сначала появляются в виде пятен на жилках листьев через три или четыре недели после дождя.Пятна мелкие, темные, с желтыми краями. Сильно зараженные листья деформированы или отстают в росте. Маленькие пятна также появляются на нижней части стебля, которые со временем приобретают вид корки. Ягоды могут сморщиться, а стебли побледнеть или почернеть. Чтобы контролировать этот патоген, удалите и уничтожьте зараженные растения, осенью внесите жидкую серу извести и весной, если после распускания почек ожидаются осадки.

Ложная мучнистая роса

Ложная мучнистая роса, вызываемая патогеном Plasmopara viticola, поражает все части виноградной лозы, но наиболее распространена на листьях.Поражения между жилками на листьях выглядят желтыми, красноватыми или коричневыми. Со временем в очагах поражения появляется белый ватный пух. Кончики зараженных растений скручиваются, утолщаются и покрываются белыми спорами, прежде чем они станут коричневыми и погибнут. Возбудитель ложной мучнистой росы распространяется ветром и брызгами воды. Заболевание наиболее быстро распространяется в дождливую или влажную погоду, когда температура составляет от 68 до 77 градусов по Фаренгейту. Ограничьте присутствие ложной мучнистой росы, избегая методов орошения, которые увлажняют листья, а также профилактических или лечебных фунгицидов.

Корь

Корь, также известная как эска, вызывает образование небольших хлоротичных участков между жилками на листьях винограда. Эти области со временем высыхают и могут иметь темно-красные края. Сильно зараженные листья могут опадать и может произойти отмирание кончиков тростника. На плодах могут быть небольшие темные пятна с пурпурно-коричневым кольцом. Корь вызывается несколькими видами грибов Togninia и наиболее распространена в середине лета в районах с сильными весенними дождями. Споры заражают виноградную лозу через обрезку ран.Тщательное покрытие растений жидкой известковой серой и удаление инфицированных растений эффективно борются с корью.

Паутинные клещи

Тихоокеанский, Willamette и двухпочечный паутинный клещ питаются виноградом и многими другими культурами. Ущерб, нанесенный тихоокеанским паутинным клещом, сначала проявляется в виде желтых пятен на листьях, за которыми следуют мертвые зоны. Там, где кормление тяжелое, листья становятся обгоревшими или бронзовыми и присутствуют перепонки. Кормление паутинного клеща Willamette наиболее проблематично в конце сезона и приводит к тому, что листья становятся желтовато-бронзовыми или красными.У клещей есть несколько естественных врагов, поэтому избегайте использования пестицидов широкого спектра действия, которые вредят клещевым хищникам. Регулярно смывайте пыль с листьев. Масляные или мыльные спреи и многочисленные митициды также предлагают варианты борьбы с клещами.

Ссылки

Биография писателя

Анджела Рычковски — профессиональный писатель, работала менеджером теплицы и сертифицированным пожарным в лесных угодьях. Она имеет степень бакалавра искусств в области городских и региональных исследований.

Пятна на листьях, не вызванные насекомыми или болезнями — виноград

Диагностика Химические расстройства Нарушения окружающей среды Нарушения питания Выявление закономерностей Подробнее

Фриц Вестовер, Техасский университет A&M, и Джим Вулперт, Калифорнийский университет в Дэвисе

Повреждение или разрушение виноградных лоз может быть вызвано широким спектром причинных факторов.Иногда пятно на листе или ягоде может быть вызвано насекомым или биологическим патогеном растения, например грибком или бактериями, а в других случаях пятно может быть вызвано человеческими факторами или факторами окружающей среды. Нарушение на виноградной лозе, которое не вызвано живыми вредителями или патогенами, называется абиотическим заболеванием.

Диагностика расстройства

Прежде чем диагностировать проблему с виноградом как абиотическую по своей природе, важно исключить любых потенциальных вредителей винограда или заболевания, которые могли вызвать этот симптом.Несколько руководств, таких как Compendium of Grape Diseases или Grape Doctor , могут быть полезными инструментами для диагностики симптомов вредителей или болезней. Некоторые вредители или болезни вызывают симптомы на винограде, которые обычно путают с абиотическими расстройствами, поэтому важно проконсультироваться в местном агентстве по расширению сельскохозяйственных знаний, чтобы подтвердить диагноз до начала лечения.

Химические заболевания

Ущерб гербицидом. Сверху слева по часовой стрелке: повреждение симизином, повреждение глифосатом, повреждение фенокси (нижние фотографии). Фотографии Фрица Вестовера, Техасский университет A&M.

Пятна на листьях — один из наиболее часто встречающихся симптомов абиотических заболеваний. Пятна на листьях могут быть вызваны непреднамеренным сносом или чрезмерным распылением гербицидов [1], либо неправильным смешиванием пестицидов или удобрений, распыляемых непосредственно на виноградные лозы. Даже когда производители применяют продукт, который в прошлом был безвредным, колебания погоды или нормы продукта могут привести к непреднамеренному повреждению лоз. Например, многие составы серы могут вызвать ожог листьев при применении в жарких и влажных условиях, тогда как фунгициды меди могут вызвать аналогичные повреждения при распылении в прохладных влажных условиях.Кроме того, если не очистить бак для опрыскивателя перед нанесением другого продукта, это может привести к неправильному нанесению и появлению пятен на листьях и кистях.

Смещение гербицидов, вероятно, является наиболее частой причиной появления пятен на листьях или деформированного роста листьев. Контактные гербициды, такие как глюфосинат или паракват, могут вызывать коричневые некротические пятна на листьях, но обычно не приводят к гибели виноградной лозы, если контакт ограничен.Важно отметить, что не все повреждения гербицидами могут быть результатом их внесения в растениеводство. Смещение системных гербицидов, таких как глифосат, может вызвать более серьезные повреждения, что приведет к деформации листьев и возможной гибели лозы. Феноксигербициды, такие как 2,4-D, могут дрейфовать с полей сельскохозяйственных культур в непосредственной близости от виноградника, вызывая необратимое искажение листьев и, в некоторых случаях, гибель виноградной лозы.

Если ваш виноградник орошается, периодически проверяйте качество воды на наличие примесей. Высокое содержание соли в поливной воде или накопление солей в почве также может вызвать ожог листьев или гибель лозы, если не обнаружен на ранней стадии.

Нарушения окружающей среды

Факторы окружающей среды также могут быть причиной пятен на листьях. Озон, например, может вызвать появление оксидантных пятен на верхних сторонах листьев восприимчивых сортов винограда, если уровень содержания в атмосфере повышен в районе, окружающем виноградник. Фтористый водород также вызывает ожоги или некроз листьев на виноградниках, прилегающих к промышленным предприятиям, где образуются такие атмосферные загрязнители. Засуха — еще один фактор окружающей среды, который может серьезно ограничить рост виноградной лозы.Условия засухи могут снизить потребление питательных веществ виноградными лозами, вызывая дефицит питательных веществ и обесцвечивание листьев. Длительные периоды засухи могут привести к гибели верхушек побегов, задержке роста винограда и задержке созревания плодов. К другим опасностям окружающей среды относятся град, солнечные ожоги, мороз и обморожение.

Нарушения окружающей среды включают отмирание кончиков побегов, вызванное засухой (L), и образование пятен окислителя, вызванное озоном. Фотографии Фрица Вестовера, Техасский университет A&M.

Дисбаланс питания

Токсичность и недостаток питательных веществ.Сверху слева по часовой стрелке: хлороз железа на почве с высоким pH во влажных условиях, токсичность брызг бора и ожог серой (нижние фотографии). Фотографии Фрица Вестовера, Техасский университет A&M.

Изменение цвета или деформация виноградных листьев также может быть вызвано недостаточностью питательных веществ или токсичностью [2]. Недостаток питательных веществ может быть трудно диагностировать, особенно если не хватает нескольких питательных веществ. Лучше всего отправить почву и растительную ткань на анализ в авторитетную испытательную лабораторию и обсудить результаты со специалистом по расширению в вашем районе или консультантом по культуре до диагностики расстройства, связанного с питательными веществами.Чрезмерное внесение удобрений часто легче диагностировать, поскольку производитель может просмотреть записи фермы с профессионалом, чтобы определить, был ли продукт внесен неправильно. Кроме того, тесты почвы могут указать на другие основные факторы, которые могут предрасполагать виноградник к дисбалансу питательных веществ.

Недостаток питательных веществ и их токсичность могут вызывать обесцвечивание и деформацию листьев и побегов винограда. Фото Патти Скинкис, Государственный университет Орегона

Выявление паттернов

Характер проявления симптомов часто является ключом к пониманию природы расстройства.Производители должны попытаться ответить на следующие вопросы:

• Симптомы листьев проявляются на базальных, средних или верхушечных листьях побега?
• Симптомы только на внешних или внутренних листьях?
• Есть симптомы на отдельных побегах или на всех побегах лозы?
• Симптомы на листьях появляются на краях или на каком-то другом четком узоре?
• Виноградные лозы с симптомами сгруппированы вместе или разбросаны по винограднику, или они находятся только на краях рядов или виноградных лоз?
• Связаны ли виноградные лозы с каким-либо топографическим признаком участка, например, канавой или вершиной холма?
• В какое время года или на какой стадии роста проявляются симптомы: весна, когда начинают расти побеги, раннее лето во время цветения, конец лета, когда гроздья начинают созревать, или осенью во время сбора урожая или после него?

Производители должны задокументировать свои наблюдения письменными заметками и фотографиями, особенно крупным планом с симптомами.

Сводка

Заболевания виноградной лозы могут быть результатом как биологических, так и абиотических факторов. При определении причины симптома нарушения на винограднике важно учитывать все факторы, которые могут способствовать возникновению проблемы. В некоторых случаях симптом может быть вызван химическим веществом или удобрением, которое растение применил, или занесением с соседнего поля. В других случаях проблема может быть вызвана загрязнением окружающей среды или экстремальной погодой. Бывают случаи, когда заболевание виноградной лозы можно вылечить вмешательством производителя, но не все нарушения будут находиться под контролем производителя.Точная и быстрая диагностика расстройства важна до того, как можно будет реализовать план по исправлению проблемы и смягчению ее рецидивов в будущем.

Рекомендуемые ресурсы

Сборник болезней винограда. 1988. Американское фитопатологическое общество.

Идентификация вредителей и абиотических заболеваний, Калифорнийский университет

Scouting Vineyards and Diagnostic Problems, Michigan State University

Обзор лечения виноградных болезней

Повреждение виноградных лоз гербицидом

Град на виноградных лозах

Sunscald Урон винограду

Обморожение, предотвращение обморожения и защита от обмерзания

Мониторинг питания виноградной лозы

Grapevine Nutrition — модуль онлайн-обучения и диагностический инструмент

Интегрированное управление посевами виноградных лоз PowerPoint, Университет штата Мичиган

Рецензировано Патти Скинкис, Университет штата Орегон, и Эдом Хеллманом, Расширение штата Техас AgriLife

11 советов по борьбе с грибковыми заболеваниями винограда

Виноград подвержен всевозможным грибковым заболеваниям — от плесени, гнили и гнили до пятнистости листьев и антракноза. Что делать гроверу? Вот 11 советов от Аннемик Шильдер, которая много лет проработала патологоанатомом в Мичиганском государственном университете, а сейчас является директором Кооперативного отделения Калифорнийского университета в округе Вентура.

1. Нанесите спрей для снижения уровня посевного материала. Она рекомендовала составы извести, серы, серы или меди для уничтожения спор грибов, зимующих на лозе.«Это одна из вещей, которую люди не всегда делают, но особенно если в прошлом году у вас было много болезней, спящие спреи — хороший способ начать сезон», — сказал Шильдер.

2. Вырежьте. В дополнение к бездействующим опрыскивателям, производители должны физически удалить как можно больше инокулята путем измельчения обрезков и сжигания их или закапывания больших стволов для уничтожения грибковых патогенов. «Вырежьте больные тростники и грозди, а также вырежьте мертвую древесину, и это то, что вы захотите сделать до начала следующего сезона», — сказала она.

3. Откройте навес. Открытые навесы имеют ряд преимуществ для борьбы с болезнями: они снижают относительную влажность, чтобы предотвратить грибковую атаку, увеличивают воздействие солнечного света, чтобы сделать кожицу плодов жесткой и уничтожать грибковые споры, а также улучшают покрытие спрея, сказал Шильдер. Она предложила изменить плотность растительного покрова с помощью стратегической зимней обрезки, летней живой изгороди или верхушки, а также расположить съемку. Кроме того, выдергивание листьев — хороший способ борьбы с гнилью грозди.

4.Не подведи свою защиту. Если болезнь была проблемой в прошлом сезоне, производители должны предполагать, что она все еще скрывается, даже если лозы в начале сезона выглядят здоровыми. «Легко подумать, что, возможно, в этом году все будет не так плохо, но если в прошлом году было плохо, вы, скорее всего, увидите как более раннее начало болезни, так и более высокий уровень заболеваемости», — сказал Шильдер. «Если вы не примете меры заранее, вас могут застать врасплох, потому что грибковые заболевания могут возникнуть внезапно и очень быстро развиться».

5.Разведывай рано, разведывай часто. «Полезно обследовать виноградники в начале сезона до начала цветения, потому что если вы видите много пятен черной гнили на листьях или фомопсиса на стеблях и листьях, это означает, что у вас есть инокулят, ожидающий нападения на ваши ягоды», — она сказал. С начала сезона она рекомендует проводить разведку не реже одного раза в неделю и сосредоточить внимание на наиболее восприимчивых сортах.

6. Используйте защитные и системные фунгициды. Защитные средства, такие как манкоцеб и зирам, могут обеспечить экономичную борьбу с ранним сезоном, особенно с фомопсисом и черной гнилью, а сера может использоваться для борьбы с ранней мучнистой росой у сортов, нечувствительных к сере, сказал Шильдер.Добавка, такая как наклейка-распределитель, может быть полезна для зирама, а также некоторых других фунгицидов для улучшения покрытия и удержания.

«Органические производители могут использовать натуральные продукты, такие как медь, сера, масла, соли и растительные экстракты, а также биофунгициды, такие как Double Nickel 55», — сказала она, но предупредила, что масла могут обжечь листья при высоких температурах. В этом случае она предложила вариант под названием TriTek, описав его как активный против мучнистой росы, но с меньшим ожогом.

Системные фунгициды эффективны в низких дозах, обеспечивают хорошее покрытие и могут иметь некоторую «отдачу», не позволяя недавним инфекциям перерасти в болезнь, сказала она.Они, как правило, более устойчивы к дождю, чем защитные фунгициды, но могут потребовать повторного нанесения после 1-2 дюймов дождя. Шильдер рекомендует применять системные фунгициды «в облачную влажную погоду, когда восковая кутикула растения способствует более быстрому поглощению фунгицидов, чем в жаркую и сухую погоду».

7. Учитывайте устойчивость к фунгицидам. Чтобы снизить риск развития у патогенов винограда устойчивости к фунгицидам, производители должны стремиться производить меньше опрыскиваний фунгицидами и чередовать группы фунгицидов, как указано на этикетках.В основном это касается системных фунгицидов. Работа Шильдера, например, показала устойчивость к мучнистой росе как к стробилуринам, группе FRAC 11 (например, Sovran, Flint, Abound, Pristine), так и к ингибиторам стерола, FRAC 3 (например, тебуконазол, Rally, Mettle).

8. Следите за погодой. Прохладная влажная погода благоприятствует ложной мучнистой росе, черной гнили, фомопсису и антракнозу, в то время как более сухой сезон способствует возникновению мучнистой росы, поэтому наблюдение за погодой является обязательным условием для определения будущего грибков.Кроме того, производители должны внимательно следить за гроздьями винограда, где может задерживаться влага.

«Кластер может быть сухим на за пределами , но все же могут существовать условия заражения внутри . Черная гниль требует всего лишь шести часов влажности при 80 градусах, чтобы попасть в эти грозди, например, поэтому производители действительно должны сосредоточить свою защиту на своих гроздьях в течение как минимум четырех недель после цветения », — сказал Шильдер.

9. Распыляйте хорошо и разумно. «Если вы хотите применить только несколько спреев от болезней, сосредоточьтесь на защите молодых плодов», — сказала она.Это означает опрыскивание сразу после завязывания плодов, две недели спустя и еще раз до закрытия грозди. Последний помогает фунгициду попасть внутрь грозди. Правильные настройки и калибровка форсунок, а также опрыскивание каждого ряда помогают обеспечить хорошее покрытие.

10. Нанесите, дождь, повторите. Если во время влажной весны давление болезней нарастает, садоводам не следует слишком долго ждать применения фунгицида, даже если это означает, что дождь может смыть его часть, сказала она. «Возможно, вам придется подать заявку повторно, но вы не хотите упускать возможность получить хоть что-то на виноградных лозах, если заражение произойдет в этот дождливый период.”

11. Организуйте свои лозы. В новых насаждениях производители могут подумать о том, чтобы сгруппировать определенные восприимчивые к болезням сорта на винограднике, чтобы они могли опрыскивать только те блоки, которые в этом нуждаются. «Только один блок может быть восприимчив к ложной мучнистой росе, поэтому вместо того, чтобы обрабатывать весь виноградник, как это делают большинство производителей, вы можете просто опрыскать этот блок и сократить свои расходы на фунгициды и экологический след», — сказал Шильдер. •

— Лесли Мертц

7 наиболее распространенных болезней виноградной лозы

Для виноделов болезни виноградной лозы могут быть разрушительными.К сожалению, существует множество видов болезней виноградной лозы, которые процветают в самых разных условиях. Бактерии и грибки вызывают самые распространенные болезни виноградной лозы. Насекомые также могут распространять болезни и повреждать корни. Условия окружающей среды могут спровоцировать развитие грибков, которые наносят ущерб виноградным лозам на виноградниках. Ниже мы составили список из 7 наиболее распространенных болезней виноградной лозы, которые могут испортить ваше любимое потенциальное вино.

1. Болезнь Пирса (Xylella fastidiosa)

Xylella fastidiosa распространяется сине-зелеными снайперами в Калифорнии и питающимися соками насекомыми в Европе.Насекомые питаются растением и переносят бактерии внутрь растения, где они проходят через сосуды ксилемы и распространяют инфекцию. Зараженные лозы выглядят напряженными, листья летом становятся красными или желтыми, ягоды сморщиваются, а мертвые и засохшие листья опадают.

Нет лекарства от болезни Пирса. Однако текущие исследования включают использование бактериофагов (вирусов, убивающих бактерии), чтобы остановить и предотвратить распространение болезни Пирса на виноградных лозах. В настоящее время проводятся дополнительные исследования, чтобы узнать, какие именно бактериофаги могут убить токсичные бактерии.Фаговый коктейль, состоящий из четырех разных фагов, используется на уже инфицированных и незараженных растениях. До сих пор результат был таким же: инфекция предотвращалась, существующее заболевание контролировалось, и ему не позволяли расти и распространяться.

2. Филлоксера (Daktulosphaira vitifoliae)

Филлоксера — микроскопические насекомые, которые сосут сок и питаются листьями и корнями виноградной лозы. Корни деформируются, и там возникают грибковые инфекции, которые блокируют поступление питательных веществ и воды к лозе.

Не существует лекарства, химического контроля или реакции. Однако некоторые виды виноградной лозы, такие как американский тип, эволюционировали и обладают естественной защитой, такой как выделение липкого сока, которое отпугивает насекомых, забивая себе рот, когда они питаются с виноградной лозы. Некоторые профилактические или лечебные решения включают прививку устойчивых к филлоксере корней с более восприимчивыми лозами. Еще одно тестируемое нововведение — это обучение собак обонянию и обнаружению вредителей и болезней на полях.

3.Ложная мучнистая роса (Plasmopara viticola)

Это грибковое заболевание винограда может уничтожить виноград и растительность. В период с середины мая до поздней осени надземные части растения могут инфицироваться, особенно при температуре ниже 65 ° F. Симптомами являются масляные пятна и заплесневелый покров или ярко-зеленые пятна на листьях. Также на побегах и соцветиях встречается белый заплесневелый покров. Инфекция также может достигнуть ягод, особенно цветущих, и заставить их высохнуть и стать похожими на изюм.Они также могут смягчиться и стать фиолетово-коричневыми.

Химические препараты, такие как фунгициды, используются для борьбы с грибком. Также принимаются меры по устранению влажности и влаги вокруг пораженных растений. Этому способствуют системы капельного полива и выборочная обрезка для улучшения циркуляции воздуха. Закрытые помещения, такие как дома или теплицы, помогают снизить влажность и, таким образом, уменьшают вероятность того, что эта плесень повредит виноградные лозы.

4. Мучнистая роса (Uncinula necator)

Этим заболеванием могут быть заражены все надземные части растений.Развитие происходит в течение всего вегетационного периода до поздней осени. Он благоприятствует засушливым годам и климату с низкой влажностью и небольшим количеством осадков. Заплесневелый покров на листьях, соцветиях и позвоночнике — отличительные признаки. Ягоды могут инфицироваться на ранних стадиях своего развития, когда они покрываются серым налетом, а затем они засыхают. Пораженные недозрелые ягоды обычно трескаются и засыхают. Косточки растения также могут покрываться серым налетом с серо-коричневыми пятнами под ним.

Для борьбы с этим патогеном используются генетическая устойчивость, химические методы и бережное земледелие.Используются фунгициды, а также кремний, который помогает клеткам растений бороться с грибком и укрепляет клетки эпидермиса растений.

5. Серая плесень (Botryotinia fuckelina)

Плодовые культуры и надземные части органов виноградной лозы восприимчивы к серой гнили или ботритису. Это заболевание может поразить в любое время года, особенно при температуре от 60 до 75 ° F. Дождь и чрезмерно удобренные виноградники могут вызвать появление ботритиса.Первые признаки болезни — пятна на листьях, которые буреют и начинают гнить. Затем листья отмирают, засыхают и опадают с лозы. Соцветия тоже могут загнить и засохнуть. На ягоды наиболее разрушительное воздействие болезни проявляется, когда плод покрывается серой гнилью и начинает разлагаться.

Широкомасштабный полевой мониторинг использовался для тестирования укрытий от дождя для борьбы с этой и другими болезнями винограда. Укрытия от дождя более эффективны, чем оставлять растения на открытом воздухе.

6. Черная гниль (Guignardia bidwellii)

Этим заболеванием могут заразиться все надземные части растения. Гриб растет в теплой и влажной среде с середины июня до конца августа. Вероятность заражения увеличивается, когда температура колеблется от 60 до 90 ° F с дождливым климатом. На листьях и побегах появляются первые круглые коричневые пятна, которые отмирают и засыхают. Затем грибок достигает ягод, пока они еще развиваются. Появляются пятна от красновато-коричневых до серых, которые затем теряют влагу и превращаются в изюм коричнево-черного или черно-синего цвета с черными точками.

7. Болезни стволов виноградных лоз

Две болезни виноградной лозы в этой категории, болезнь Петри и эска (черная корь), вызываются грибковыми патогенами. Они, как правило, поражают старые лозы, которым не менее 10 лет, но молодые лозы не защищены. Древесина и листья, заразившиеся этими болезнями, приобретают необычный вид полосатых или спортивных цветов. Листья, а затем стебли в конце концов сморщиваются в середине вегетационного периода, и виноград падает на землю. Затем виноградная лоза внезапно умирает, что может произойти в течение нескольких дней после появления первых симптомов.Вероятность возникновения этих болезней виноградной лозы наиболее высока в сухую погоду, которая наступает после сезона дождей.

Это всемирная проблема, и все еще ведутся исследования, как лучше всего решить эту проблему. Одна теория основана на том, что виноградная лоза, привитая машиной в качестве меры по сокращению затрат и экономии труда, привела к более слабой лозе, чем лоза, привитая вручную. Тем временем некоторые виноделы опробовали новые методы обрезки, чтобы контролировать распространение грибов, или разделили стволы виноградной лозы пополам, чтобы высушить грибки и стимулировать прорастание новой ветки виноградной лозы из-под стыка.Другие вводят в стволы дезинфицирующие средства.

Болезни винограда поражают виноградники во всем мире. Они опустошили растения и погубили урожай, что привело к экономическим и земельным бедствиям для виноделен. Ученые и виноделы продолжают свои постоянные исследования и эксперименты, чтобы держать эти болезни под контролем.

границ | Выявление болезней виноградных листьев с использованием усовершенствованных глубоких сверточных нейронных сетей

Введение

Виноградная промышленность является одной из основных фруктовых отраслей в Китае, и общий объем производства винограда достиг 13.083 млн тонн в 2017 году. Однако болезни виноградных листьев препятствовали развитию виноградной отрасли и привели к значительным экономическим потерям. Таким образом, выявлению и диагностике болезней листьев винограда уделяется большое внимание со стороны садоводов и экспертов по борьбе с болезнями и вредителями.

Современные подходы к обнаружению болезней основаны в основном на визуальном распознавании. Однако это не только визуальное распознавание — трудоемкая и трудоемкая задача, но и точность распознавания не удовлетворяет требованиям (Dutot et al., 2013). В результате ошибочный диагноз приведет к злоупотреблению пестицидами, которые разрушат среду роста винограда и ухудшат качество фруктов. Таким образом, различные методы спектроскопии широко применяются для диагностики и мониторинга болезней растений. Однако потребность в громоздких датчиках и точных инструментах приводит к низкой эффективности и высокой стоимости (Mahlein et al., 2013; Lin et al., 2014). С развитием техники компьютерного зрения исследователи предложили некоторые алгоритмы распознавания болезней растений, основанные на методах машинного обучения (Waghmare et al., 2016; Али и др., 2017; Hamuda et al., 2017; Акбарзаде и др., 2018; Гриффель и др., 2018; Шариф и др., 2018; Каур и др., 2019; Хан и др., 2019; Кур и Арора, 2019; Лю и др., 2019; Wang et al., 2019; Чжу и др., 2019; Mohammadpoor ​​et al., 2020). Однако классификационные признаки в этих подходах выбираются на основе человеческого опыта, что ограничивает обобщаемость моделей, а точность этих моделей все еще не удовлетворяет требованиям распознавания. Напротив, сверточная нейронная сеть (CNN) может эффективно избегать сложной предварительной обработки изображений и использовать общие веса для уменьшения потребления памяти.CNN по-прежнему считается одним из оптимальных алгоритмов для задач распознавания образов. Таким образом, использование CNN для выявления ранних болезней растений стало предметом исследований в области информатизации сельского хозяйства. В (Mohanty et al., 2016; Zhang and Wang, 2016; Lu J. et al., 2017; Lu Y. et al., 2017; Khan et al., 2018; Liu et al., 2018; Geetharamani, Pandian) , 2019; Ji et al., 2019; Jiang et al., 2019; Liang et al., 2019; Oppenheim et al., 2019; Pu et al., 2019; Ramcharan et al., 2019; Wagh et al., 2019; Чжан и др., 2019a; Zhang et al., 2019b; ), CNN широко изучаются и применяются для диагностики болезней растений. Согласно этим исследованиям, CNN могут изучать расширенные надежные признаки болезней непосредственно из исходных изображений, вместо того, чтобы выбирать или извлекать признаки вручную, что превосходит традиционные подходы к извлечению признаков.

В этой статье представлен инновационный подход к распознаванию болезней листьев винограда на основе CNN. Этот подход направлен на преодоление двух основных проблем. Во-первых, модели CNN требуют большого количества данных для обучения.Однако каждая болезнь листьев винограда проявляется в разный период времени, и время для сбора изображений болезни ограничено. Таким образом, для обучения модели недостаточно изображений больного виноградного листа. Во-вторых, задача классификации мелкозернистых изображений для болезней виноградных листьев является сложной задачей, и модели, обученные с помощью трансферного обучения , с трудом достигают удовлетворительной производительности. Следовательно, разработка оптимальной структуры CNN для распознавания болезней виноградных листьев является сложной задачей.

Инновация статьи заключается в применении улучшенного алгоритма CNN для распознавания болезней виноградных листьев, и основные вклады и нововведения этого документа резюмируются следующим образом:

● Набор данных о болезнях виноградных листьев создан и является важным фундамент для обобщения модели. Во-первых, для повышения надежности модели собираются изображения больных листьев винограда со сложным и однородным фоном. Кроме того, чтобы уменьшить явление переобучения модели, исходные изображения пораженных виноградных листьев обрабатываются с помощью технологии увеличения данных для создания достаточного количества обучающих изображений.Кроме того, технология цифровой обработки изображений используется для моделирования изображений болезней виноградных листьев в различных средах, что значительно улучшает характеристики обобщения модели.

● Предложена улучшенная модель CNN для диагностики болезней виноградных листьев. Путем анализа особенностей изображений пораженных листьев винограда предлагается новая модель глубокой сверточной нейронной сети, а именно плотная сверточная нейронная сеть Inception (DICNN). Глубокая разделяемая свертка сначала используется DICNN для построения первых двух сверточных слоев, чтобы уменьшить количество параметров и предотвратить проблему переобучения модели.Затем используется начальная структура для повышения эффективности экстракции многомасштабных пятен болезней. Наконец, стратегия плотного соединения применяется к четырем каскадным структурам Inception для облегчения проблемы исчезающего градиента, поощрения распространения и повторного использования функций.

По результатам экспериментов точность модели DICNN достигает 97,22%, что лучше, чем у других классических моделей. Кроме того, после увеличения данных с использованием набора данных из 107 366 изображений пораженных болезней виноградных листьев точность увеличивается на 14.42%, тем самым демонстрируя более высокую надежность и лучшие характеристики распознавания.

Остальная часть документа организована следующим образом: Родственная работа представляет и резюмирует связанную работу. В Создание набора данных о болезнях виноградных листьев , основанном на получении изображений натуральных виноградных листьев, с помощью технологии обработки изображений генерируются обильные изображения виноградных листьев. Модель идентификации для болезней виноградных листьев представляет модель DICNN. Результаты экспериментов и обсуждение представляет эксперименты для оценки производительности модели и анализирует результаты экспериментов.В последнем разделе представлены выводы статьи.

Сопутствующие работы

Чтобы уменьшить ущерб от болезней, многие исследователи приложили огромные усилия для выявления болезней растений. Благодаря постоянному развитию алгоритмов машинного обучения они широко используются для выявления вредителей и болезней растений.

В (Hamuda et al., 2017), Hamuda et al. предложил алгоритм автоматического определения посевов. Алгоритм использовался для обнаружения цветной капусты из видеопотоков при естественном освещении при различных погодных условиях, а результаты обнаружения сравнивались с наземными данными, которые были получены с помощью ручного аннотирования .Этот алгоритм реализовал чувствительность 98,91% и точность 99,04%. В (Akbarzadeh et al., 2018) Akbarzadeh et al. предложил подход к классификации растений, основанный на машине опорных векторов. Набор данных состоял из спектральных характеристик отражения кукурузы и серебряной свеклы при 635, 685 и 785 нм со скоростью 7,2 км / ч. Результаты экспериментов показали, что предложенный алгоритм эффективно классифицирует растения с точностью 97%. В (Wang et al., 2019) Zhang et al.предложили подход к распознаванию мучнистой росы огурцов, основанный на визуальных спектрах. Благодаря классификации и распознаванию спектральных характеристик, диапазон видимого света от 450 до 780 нм был выбран в качестве диапазона исследований. Затем алгоритм SVM был использован для построения модели классификации, а функция ядра с радиальным базисом была применена для оптимизации модели. Результаты экспериментов показали, что эта модель реализовала точность 100% и 96,25% для здоровых листьев огурца и листьев мучнистой росы, соответственно, а общая точность составила 98.13%. В (Waghmare et al., 2016) Waghmare et al. предложила методику выявления болезней винограда с помощью анализа текстуры листьев и распознавания образов. В качестве входных данных система использовала один лист растения, и после удаления фона была проведена сегментация. Затем сегментированное изображение листа было проанализировано через фильтр высоких частот для обнаружения пораженной части листа. Наконец, извлеченный образец текстуры был передан в мультиклассовый SVM. В (Mohammadpoor ​​et al., 2020) Mohammadpoor ​​et al.предложила интеллектуальную технику обнаружения вируса фанлиста винограда. На основе алгоритма нечеткого C-среднего была выделена область пораженных частей каждого листа, а затем она была классифицирована с помощью SVM. Кроме того, для повышения диагностической надежности системы был применен метод перекрестной проверки в K раз с k = 3 и k = 5. Результаты экспериментов показали, что средняя точность системы составляет около 98,6%. Однако алгоритмы машинного обучения требуют громоздкой предварительной обработки изображений и извлечения признаков (Кулин и др., 2017; Zhang et al., 2018). Напротив, CNN может автоматически различать и извлекать отличительные признаки для идентификации изображения.

В последние годы CNN сделали большой прорыв в области компьютерного зрения. Таким образом, использование CNN для выявления болезней растений стало центром исследований в области сельскохозяйственных информационных технологий. В (Khan et al., 2018) Khan et al. изолировали области заражения от фона и использовали VGG и AlexNet для извлечения характеристик областей заражения.Эксперименты проводились на Plant Village и CASC-IFW, и точность классификации составила 98,60%. Результаты экспериментов показали, что предложенная модель превосходит доступные подходы с высокой точностью и высокой точностью распознавания. В (Zhang et al., 2019) Zhang et al. предложил алгоритм выявления болезней огурцов, основанный на AlexNet, а именно GPDCNN. Подход эффективно объединяет контекстную информацию путем объединения слоев глобального пула через расширенную свертку , что может оптимизировать сходимость и повысить скорость распознавания.Модель GPDCNN была обучена на шести распространенных болезнях листьев огурца, и точность распознавания составила 94,65%. В (Liang et al., 2019) Liang et al. предложила систему диагностики рисового взрыва, основанную на CNN. Модель была обучена на наборе данных из 5808 пораженных изображений, которые включали 2906 положительных образцов, и продемонстрировали удовлетворительные характеристики с точки зрения точности распознавания, AUC и ROC. Результаты экспериментов показали, что предложенная модель может извлекать больше различительных и эффективных высокоуровневых функций, чем традиционные подходы LBPH и Haar-WT.В (Zhang et al., 2019) Zhang et al. обучили трехканальную модель CNN для распознавания болезней листьев томатов и огурцов. В этом подходе использовались три канала RGB отдельно для использования информации о цвете и реализовано автоматическое извлечение болезненных признаков с помощью информации о цвете. На наборе данных о болезнях листьев томатов и огурцов предложенная модель превзошла традиционные подходы с точки зрения точности классификации. В (Wagh et al., 2019) Wagh et al. предложила автоматическую систему идентификации болезней винограда для распознавания пяти болезней, включая мучнистую росу, ложную мучнистую росу, ржавчину, бактериальные пятна и антракноз.Извлечение признаков и обучение модели изображений листьев были выполнены с использованием предварительно определенной архитектуры AlexNet. И результаты экспериментов показали, что модель смогла точно классифицировать болезни винограда. В (Ji et al., 2019) Ji et al. предложена единая архитектура сверточных нейронных сетей, основанная на интегрированном методе. Предлагаемая архитектура CNN, а именно UnitedModel, была разработана для классификации распространенных болезней виноградных листьев. UnitedModel смогла выделить дополнительные отличительные признаки благодаря комбинации нескольких CNN.И результаты экспериментов показали, что UnitedModel продемонстрировала лучшую производительность по различным параметрам оценки и достигла средней точности теста 98,57%.

Согласно этим исследованиям, CNN получили удовлетворительные результаты в распознавании болезней растений. Однако CNN редко используются в области идентификации болезней виноградных листьев. Кроме того, большинство прикладных алгоритмов идентификации изображений основаны на популярных методах обучения передачи данных, и в алгоритмы было внесено несколько улучшений.Таким образом, в данной статье предлагается модель идентификации изображений, основанная на CNN для болезней листьев винограда.

Создание набора данных о болезнях виноградных листьев

Сбор данных

Поскольку нет подходящего набора данных для идентификации болезней виноградных листьев, большое количество времени уделяется сбору изображений пораженных виноградных листьев. Цифровая камера собрала в общей сложности 7 669 изображений виноградных листьев, которые относятся к семи категориям: антракноз, бурая пятнистость, клещи, черная гниль, ложная мучнистая роса, фитофтороз и здоровые листья.Классы антракноза, клещей, ложной мучнистой росы и здоровых листьев собирают в хорошую погоду на экспериментальной станции по посадке винограда Северо-Западного университета A&F, провинция Шэньси, Китай. И эта часть набора данных включает в себя всего 4023 изображения. Класс бурой пятнистости, черной гнили и фитофтороза собирают из общедоступных наборов данных, и эта часть набора данных включает в общей сложности 3646 изображений. Таблица 1 подробно иллюстрирует исходный набор данных о болезнях листьев винограда.

Таблица 1 Исходный набор данных о болезнях листьев винограда.

Семь репрезентативных изображений набора данных показаны на Рисунке 1, где четко видны различия между семью типами изображений. Поверхность здорового виноградного листа зеленая, без пятен. Пятно антракноза почти круглое. Центральная часть пятна белая, а край темно-фиолетовый. Для категории коричневых пятен на поверхности виноградных листьев присутствуют коричневые пятна неправильной формы. Середина каждого пятна темно-коричневая, а края коричневые. Клещи вызывают появление множества белых пятен неправильной формы на обратной стороне листьев, а поверхность листьев покрывается пузырями.Пятна черной гнили почти круглые с темно-коричневой серединой и коричневыми краями. На лицевых сторонах листьев винограда при ложной мучнистой росе постепенно появляются желто-зеленые пятна болезни, а на оборотной стороне листьев появляется белая морозная мучнистая роса. Фитофтороз приводит к появлению темно-коричневых пятен на поверхности виноградных листьев. Различия между этими пятнами болезни способствуют распознаванию различных болезней листьев винограда.

Рисунок 1 Семь распространенных типов изображений виноградных листьев. (A) Антракноз, (B) Коричневая пятнистость, (C) Клещи, (D) Черная гниль, (E) Ложная мучнистая роса, (F) Фитофтороз, (G) Здоровые листья.

Расширение данных

Проблема переобучения на этапе обучения CNN может быть преодолена с помощью увеличения данных . Когда подбирается случайный шум, а не лежащая в основе взаимосвязь, возникает проблема переобучения моделей глубокого обучения (Heisel et al., 2017). С большим количеством изображений после расширения с помощью методов увеличения данных модель может изучить как можно больше нерелевантных шаблонов во время процесса обучения, тем самым избегая переобучения и повышая способность противодействия помехам в сложных условиях.

Для выполнения операций увеличения данных используется несколько технологий обработки цифровых изображений. Влияние погодных факторов во время съемки моделируется через интерференцию интенсивности изображения , которая включает интерференцию яркости, контрастности и резкости. Размытие по Гауссу имитирует влияние туманной погоды на получение изображения. Взаимное положение камеры и пораженных листьев имитируется с помощью преобразований поворота (включая 90 градусов, 180 градусов и 270 градусов) и с помощью операций горизонтальной и вертикальной симметрии .Гауссов шум, интерференция контраста и резкость используются для моделирования влияния факторов оборудования. Кроме того, для расширения исходного набора данных применяется дрожание PCA.

Значения яркости каждого изображения регулируются путем случайного увеличения или уменьшения значений RGB пикселей. Предположим, что V ₀ — исходное значение RGB, V — скорректированное значение, а d — коэффициент преобразования яркости. Процесс преобразования значения RGB выражается как:

На основе среднего значения яркости значение контрастности изображения регулируется путем увеличения больших значений RGB и уменьшения меньших значений RGB.Процесс преобразования значений RGB выражается как:

Лапласовский шаблон применяется к изображению для настройки значения резкости. Предположим, что пиксель изображения RGB представлен как c (x, y) = [R (x, y), G (x, y), B (x, y)] T. Формула выглядит следующим образом:

Изображение поворачивается путем поворота каждого пикселя. на такой же угол вокруг центра. Предположим, что P ( x , y ) — произвольная точка на изображении и что ее новая координата после поворота по часовой стрелке на θ ° — P ₂ (x, h-y).Расчетные координаты двух точек выражаются как:

Операция вертикальной симметрии использует горизонтальную среднюю линию изображения. в качестве оси для выполнения симметричного преобразования всех пикселей. Предположим, что h представляет высоту, а P ( x , y ) — произвольную точку на изображении. После обработки вертикальной симметрии координаты новой точки равны P ₂ (x, h – y). Операция горизонтальной симметрии аналогична операции вертикальной симметрии.

С помощью этих методов создания изображений из каждого изображения получается 13 новых изображений. На рисунке 2 представлен пример, иллюстрирующий процесс создания изображения.

Рисунок 2 Увеличение изображения изображения болезни виноградных листьев. (A) Исходное изображение, (B) высокая яркость, (C) низкая яркость; (D) высокая контрастность; (E) низкая контрастность; (F) высокая резкость; (G) низкая резкость; (H) поворот на 90 градусов; (I) поворот на 180 градусов; (J) поворот на 270 градусов; (К) вертикальная симметрия; (L) горизонтальная симметрия; (M) Гауссов шум и (N) Дрожание PCA.

После процесса увеличения изображений был получен набор данных изображений пораженных листьев винограда, который включает 15 736 изображений из класса антракноза, 19 362 изображения из класса коричневых пятен, 15 484 изображения из класса клещей, 16 618 изображений из класса класс черной гнили, 12 740 изображений класса ложной мучнистой росы, 15 064 изображения класса фитофтороза и 12 362 изображения класса здоровых листьев. Затем размер всех изображений в наборе данных изменяется до 256 × 256. Наконец, набор данных делится на три части в соотношении 6: 2: 2, которые, соответственно, используются в качестве обучающего набора, набора проверки и набор тестов.Подробная информация о наборе данных представлена ​​в таблице 2.

Таблица 2 Набор данных о болезнях виноградных листьев.

Модель идентификации болезней виноградных листьев

На основе архитектуры и характеристик четырех классических моделей CNN, а именно VGG16 (Симонян и Зиссерман, 2014), GoogLeNet (Szegedy et al., 2015), ResNet (He et al., 2016) и DenseNet (Huang et al., 2017), новая модель на основе CNN, а именно DICNN, предлагается для диагностики семи распространенных классов виноградных листьев.Согласно Таблице 3 и Рисунку 3, модель DICNN состоит из трех частей: первая часть — это «предсетевой модуль», а ее первый глубокий разделяемый сверточный слой фильтруется с помощью 64 ядер размером 3 × 3. Затем 3 × Слой 3 max-pooling добавляется после первого глубокого разделяемого сверточного слоя. Следующий глубоко разделяемый сверточный слой содержит 64 ядра свертки размером 3 × 3, за которым следует слой максимального объединения 3 × 3 и слой пакетной нормализации. Далее идет структура Inception, за которой следует еще один уровень максимального пула.Второй модуль, а именно «начальный модуль с плотным каскадом», состоит из четырех начальных структур с плотными связями. Применение стратегии плотной связи повышает эффективность использования карт функций и способствует объединению многомерных функций между структурами Inception, повышая эффективность диагностики болезней виноградных листьев. Последний модуль состоит из двух уровней максимального пула, начального уровня, уровня глобального среднего пула (GAP) и 7-стороннего уровня Softmax.

Таблица 3 Состав модели DICCN.

Рисунок 3 Структурная схема модели DICNN.

Сверточный слой с глубоким разделением

Ограниченная количеством изображений набора данных о болезнях виноградных листьев, модель большого размера склонна к переобучению в процессе обучения. Следовательно, уменьшение количества параметров способствует улучшению обобщающих характеристик модели. Кроме того, модель с меньшим количеством параметров имеет более высокую скорость обучения и потребляет меньше вычислительных ресурсов.В то время как глубокая разделимая свертка состоит из глубинной свертки и точечной свертки, которая имеет меньше параметров, чем стандартная свертка (Howard et al., 2017). При глубокой разделяемой свертке одиночный фильтр применяется в глубокой свертке к каждому входному каналу. Затем с помощью поточечной свертки применяется сверточная операция 1 × 1 для объединения выходных данных. Такая факторизация существенно сокращает размер модели и потребление вычислительных ресурсов, при этом точность распознавания модели не снижается.

Cascade Dense Inception Module

Размеры пятен болезни существенно различаются для разных сортов виноградных листьев. Производительность модели при извлечении признаков в различных масштабах оказывает существенное влияние на окончательную точность распознавания. Для извлечения пространственных объектов различных размеров к модели был применен каскадно-плотный начальный модуль, который состоит из четырех начальных структур с плотными связями. Ядра извилин с небольшим размером извлекают мелкозернистые очаги поражения, тогда как ядра извилин большого размера больше фокусируются на особенностях болезненных пятен большого размера.Поэтому была применена структура Inception в GoogLeNet (Szegedy et al., 2015). В начальной структуре сверточные слои разного размера размещаются параллельно на своих ветвях. Каждая параллельная ветвь структуры Inception концентрируется на отдельных функциях. Это не только увеличивает ширину сети, но и повышает производительность многомасштабного извлечения признаков. Кроме того, на основе подхода асимметричной факторизации (Szegedy et al., 2016) применяются асимметричные свертки для повышения производительности извлечения признаков и снижения вычислительных затрат.Начальная структура подробно проиллюстрирована на рисунке 4.

Рисунок 4 Начальная структура.

Обычно операции с плавающей точкой используются для оценки временной сложности модели CNN. Для одного сверточного слоя его временная сложность может быть выражена как:

, где M представляет длину стороны выходной карты признаков, K представляет длину стороны ядра свертки, C _в — количество входных каналов. карта характеристик, а C _из — количество каналов выходной карты характеристик.

Структура Inception содержит несколько сверточных слоев, и ее временная сложность может быть выражена суммой времени работы всего сверточного слоя:

, где D представляет количество сверточных слоев в структуре Inception, P _i представляет длину ядра свертки, Q _i представляет ширину ядра свертки (Q _i не является равно P _i при использовании асимметричной свертки).

Во время потока карт признаков особенности мелких пятен болезней винограда трудно перенести на более глубокие слои модели. Эта потеря функций серьезно влияет на точность распознавания модели. В DenseNet была предложена стратегия плотного подключения для дальнейшего улучшения информационного потока между уровнями. Слой λ получает карты характеристик из всех предыдущих слоев, как выражено в уравнении:

, где [ x ₀ , x ₁ ,…, x _{λ -1} ] обозначает объединение карт из предыдущих слоев.

Как показано на рисунке 5, стратегия плотного подключения применяется к модулю каскадной плотной связи Inception. Следовательно, карты характеристик всех предыдущих слоев в этом модуле применяются в качестве входных данных для этого слоя, а его собственные карты характеристик применяются в качестве входных данных для всех последующих слоев. Применение стратегии плотного соединения имеет решающее значение для повышения производительности модели. Во-первых, градиент, полученный каждым слоем, представляет собой сумму градиентов из предыдущих слоев; следовательно, он снимает проблему исчезающего градиента.Кроме того, он усиливает распространение функций и поощряет повторное использование функций, что может эффективно предотвратить проблему переобучения. Наконец, по сравнению с остаточной стратегией, она существенно снижает параметры и накладные расходы на хранение предлагаемой модели.

Рисунок 5 Схематическая диаграмма стратегии плотного подключения.

Стратегия адаптивного взаимодействия

Модель на основе CNN должна быть обучена классификации болезней виноградных листьев. Выбор алгоритма оптимизации существенно влияет на эффективность обучения.

Адаптивная оценка момента (Adam) была применена вместо традиционного алгоритма стохастического градиентного спуска (SGD) в качестве алгоритма оптимизации модели. Адам — ​​эффективный алгоритм для оптимизации стохастических целевых функций первого порядка на основе градиента (Kingma and Ba, 2015). Алгоритм требует мало памяти и прост в реализации; следовательно, он подходит для задач с большими объемами данных или многими параметрами. t + ε)

, где α представляет скорость обучения, β ₁ и β ₂ представляют собой скорости экспоненциального затухания на данный момент оценки, θ _t — текущий обновленный параметр, θ _t-1 — предыдущий обновленный параметр, f ( θ ) представляет собой стохастическую функцию с параметрами θ , ε — это малая константа ( ε = 10 ^-8 в этой статье), m _t — это первый вектор момента, а v _t — второй вектор момента.

Результаты экспериментов и обсуждение

Стратегия адаптивного подключения

Эксперименты проводились на сервере глубокого обучения, который содержал два процессора Tesla P100 (16 ГБ памяти) с системой Ubuntu. Кроме того, фреймворки глубокого обучения TensorFlow и Keras использовались для реализации модели DICNN, которая удобна для разработки сравнительных экспериментов благодаря своим интерфейсам Python (Bahrampour et al., 2015; Abadi et al., 2016a; Abadi et al. ., 2016b; Тан, 2016). Дополнительные параметры конфигурации перечислены в таблице 4.

Таблица 4 Программная и аппаратная среда.

Сравнение точности и скорости сходимости

На основе набора тестов проводится эксперимент для сравнения точности и скорости сходимости модели DICNN с другими классическими подходами, включая нейронную сеть обратного распространения (BP), машину опорных векторов (SVM), VGG-16, GoogLeNet, ResNet-34 и DenseNet-169. Между тем, предложенная модель также сравнивается с недавней моделью классификации болезней винограда, включая AlexNet для классификации болезней винограда (AFGDC) (Wagh et al., 2019) и UnitedModel (Ji et al., 2019).

Все классификационные модели были обучены с нуля с 30 эпохами, и была принята та же стратегия обучения. Алгоритм Адама использовался в качестве оптимизатора для обучения модели. А скорость обучения была установлена ​​на 0,01, что может ускорить сходимость модели в процессе обучения. Согласно таблице 5, предложенная модель DICNN имела оптимальную производительность распознавания с точностью 97,22% на тестовой выборке. К тому же точность 94.89% было реализовано DenseNet, что связано с его неоспоримыми преимуществами усиления распространения функций и поощрения повторного использования функций. Остаточная нейронная сеть ResNet-34 показала общую точность 94,89%. Кроме того, GoogLeNet реализовал точность 94,25%, что связано с его возможностями многомерного извлечения функций. VGG-16 получил среднюю точность 88,96%, тогда как модель SVM и нейронная сеть BP показали плохие характеристики распознавания с точностью 67,82% и 57.93% соответственно. UnitedModel, который был специально разработан для выявления болезней винограда, смог выделить дополнительные отличительные признаки благодаря комбинации нескольких CNN. И он реализовал точность 96,58%. Другая модель обнаружения болезней винограда, AFGDC, использовала предопределенную архитектуру AlexNet для извлечения признаков и достигла точности 88%. Результаты экспериментов показали, что подходы на основе CNN превосходят классические подходы машинного обучения. Классические подходы машинного обучения к распознаванию болезней виноградных листьев зависят от классификационных характеристик, разработанных экспертами.Напротив, подходы на основе CNN автоматически извлекают лучшие классификационные признаки. Благодаря этим функциям модели на основе CNN обеспечивают отличное распознавание болезней виноградных листьев. Среди всех моделей CNN DICNN имеет лучшую производительность и может точно классифицировать изображения болезней винограда. Кроме того, кривые точности использовались для визуального представления точности и скорости сходимости моделей. Как показано на рисунке 6, модели сошлись после нескольких циклов обучения эпох и в конечном итоге реализовали свои оптимальные идентификационные характеристики.В целом, процессы обучения DenseNet-16, DICNN, GoogLeNet, ResNet-34, UnitedModel, AFGDC и VGG-16 примерно стабильны после 9 эпох, а нейронная сеть BP и модель SVM показали приемлемую конвергенцию после 17 эпох. В нашей работе для предложенной модели DICNN были приняты стратегия плотного подключения и начальные структуры. По сравнению с другими моделями, предложенная модель DICNN реализовала самую быструю скорость сходимости и имела тенденцию к сходимости в шестую эпоху.

Таблица 5 Показатели распознавания.

Рисунок 6 Сходимость восьми моделей распознавания.

Кроме того, собираются невидимые изображения с различными виноградниками и погодными условиями, которые используются для проверки характеристик обобщения модели. Эти изображения болезней листьев винограда получены на базе виноградных плантаций в замке Юаньши, который находится в городе Иньчуань, провинция Нинся, Китай. Согласно окончательным экспериментальным результатам, модель DICNN имеет точность 96,86% при тестировании с невидимыми изображениями. Хотя точность модели немного ниже, чем раньше, модель все же может точно классифицировать болезни листьев винограда.Таким образом, экспериментальные результаты доказали, что модель имеет отличные характеристики обобщения в различных виноградных хозяйствах и погодных условиях.

Благодаря своей начальной структуре DICNN может извлекать признаки из нескольких шкал на основе характеристик поражений виноградных листьев. Использование глубокой разделяемой свертки эффективно снижает параметры модели CNN, тем самым решая проблему переобучения. Кроме того, благодаря стратегии плотного подключения DICNN, распространение функций улучшается, и поощряется повторное использование функций.Следовательно, предложенный алгоритм дает лучшую производительность, чем популярные методы трансферного обучения.

Эффективность распознавания для каждого класса

В этом разделе, на основе матрицы неточностей, эффективность распознавания каждой болезни виноградного листа оценивалась с помощью показателей точности, отзыва и оценки F1. Матрица неточностей, как стандартный формат для выражения оценки точности, выражается в виде матрицы с n строками и n столбцами. Каждый столбец матрицы неточностей обозначает количество экземпляров в базовом классе истинности, в то время как каждая строка обозначает количество экземпляров в прогнозируемом классе, чтобы увидеть, не путает ли система два класса.Оценка точности, отзыва и F1 выводится из числа ложноположительных (FP), истинно положительных (TP), ложноотрицательных (FN) и истинно отрицательных (TN) результатов. Эти показатели выводятся следующим образом:

В таблице 6 представлена ​​матрица неточностей окончательных результатов теста, а также оценка точности, отзыва и F1 каждого из них. вид виноградных листьев. Пятна болезней листьев схожи по геометрическим характеристикам, что снижает эффективность классификации.Следовательно, классификатор может ошибиться, столкнувшись с мелкозернистой классификацией. Однако предложенная модель глубокого обучения дала удовлетворительный результат. Главной особенностью этого класса клещей является то, что поверхность листьев покрыта пузырями, что существенно отличается от пятен других болезней. Диагностика клещей, подтвержденная матрицей недоразумений, лучше других. Цвет пятен ложной мучнистой росы желто-зеленый, поэтому эти пятна легко отличить от пятен других болезней.Таким образом, сохраняемость ложной мучнистой росы достигает 98,04%. Однако коричневые пятна, антракноз, гниль и черная гниль схожи по своим геометрическим характеристикам, и это сходство приводит к их более низким показателям распознавания. Воспроизводимость классов коричневой пятнистости, антракноза, фитофтороза и черной гнили составила 96,54%, 95,84%, 97,05% и 97,29% соответственно. В конечном итоге 96,60% здоровых листьев были идентифицированы правильно.

Таблица 6 Матрица неточностей модели DICNN.

На основе структуры «Начало» признаки болезни на исходном изображении могут быть извлечены из нескольких измерений.Таким образом, точность распознавания образов болезни значительно повышается. Опираясь на вышеупомянутые эксперименты, предложенная модель DICNN реализует превосходные характеристики распознавания при выявлении болезней виноградных листьев.

Влияние увеличения данных на производительность идентификации

В этом документе увеличение данных было использовано для предотвращения переобучения. Сначала были отловлены больные листья винограда при различных погодных условиях. Изменяя фон съемки, можно повысить эффективность защиты от помех в сложных условиях предлагаемой модели.Впоследствии методы цифровой обработки изображений были использованы для увеличения исходного набора данных.

В этом разделе был проведен сравнительный эксперимент для оценки влияния увеличения данных на точность классификации. На рисунке 7 показано, что предложенная модель DICNN имела крайне нестабильный процесс обучения при обучении на исходном наборе данных. Модель наконец-то реализовала уровень узнаваемости 82,80%. Однако модель, обученная на расширенном наборе данных, показала точность 97.22%. Результаты экспериментов показали, что модель DICNN изучает более подходящие функции на расширенном наборе данных, что повышает эффективность защиты от помех в различных средах. Кроме того, параметры модели классификации были полностью обучены из-за разнообразия изображений в расширенном наборе данных, в то время как изображения в исходном наборе данных не имели разнообразия, что делало модель сети чрезмерно зависимой от подмножества функций. , что приводит к переобучению.Что еще более важно, предварительная обработка изображения смоделировала реальное окружение виноградных листьев, тем самым сделав модель более надежной.

Рисунок 7 Эффект увеличения данных.

Эффект стратегии плотного подключения

В этом эксперименте оценивалось влияние стратегии плотного подключения на производительность распознавания модели на основе CNN. Как показано на рисунке 8, при той же стратегии обучения реализована модель со стратегией плотного соединения 97.Точность распознавания 22%, что на 3,47% выше, чем у модели, в которой стратегия плотного соединения не применялась. Стратегия плотного соединения соединяет структуры Inception в сверточном слое для обеспечения максимальной передачи информации между структурами Inception в сети и напрямую передает градиентные потери на мелкие слои. Таким образом, предлагаемая модель с этой стратегией обеспечивает более эффективную идентификацию болезней листьев винограда.

Рисунок 8 Эффект стратегии плотного подключения.

Эффект глубокого разделяемого сверточного слоя

Глубокая разделяемая свертка используется DICNN для построения первых двух сверточных слоев для уменьшения параметров и предотвращения проблемы переобучения модели. Для того, чтобы оценить влияние двух глубоких разделимых сверточных слоев, была обучена модель с традиционным сверточным слоем. В сравнительном эксперименте количество параметров сверточных слоев и точность распознавания используются в качестве показателей окончательной оценки.Окончательные результаты экспериментов представлены в таблице 7. С одной стороны, параметры первого сверточного слоя были уменьшены с 1792 до 283, а параметры второго сверточного слоя — с 36 928 до 4736, что способствует снижению потребления вычислительные ресурсы и повысить производительность обобщения. С другой стороны, точность модели улучшена на 0,13% по сравнению с моделями, содержащими традиционные сверточные слои.

Таблица 7 Эффект глубокого отделяемого сверточного слоя.

Выбор оптимизации

Выбор алгоритма оптимизации имеет решающее значение для повышения производительности модели. Поэтому алгоритм оптимизации Адама был принят для предложенной модели DICNN. Алгоритм оптимизации Адама и алгоритм оптимизации SGD с той же скоростью обучения 0,01 были применены для обучения модели DICNN для оценки производительности алгоритма.

На рисунке 9 показан процесс обучения модели. Точность модели с алгоритмом оптимизации Адама — 97.22%, а точность модели с алгоритмом оптимизации SGD составляет 94,69%. Алгоритм оптимизации SGD обновил параметры на основе текущей позиции и пакета, что привело к крайне нестабильному направлению обновления. Согласно результатам экспериментов, модель, основанная на алгоритме оптимизации SGD, столкнулась с проблемой «локального минимума» и не смогла достичь оптимального состояния. Оптимизатор Adam использует градиентный спуск с импульсом для выхода из положения локального минимума.Кроме того, алгоритм оптимизации Адама представляет собой схему адаптивной оптимизации, которая регулирует скорость обучения для каждого параметра. Поэтому алгоритм оптимизации Адама был принят для предложенной модели DICNN.

Рисунок 9 Сравнение двух алгоритмов оптимизации.

Процесс визуализации признаков

Из-за слабой интерпретирующей способности особенности, которые изучаются моделями на основе CNN, трудно представить в удобочитаемой форме. Следовательно, сложно понять огромное количество параметров, многослойную скрытую структуру и другие факторы этих моделей.Однако методы визуализации — отличный способ изучить, как CNN изучают особенности для различения классов. В этом разделе для анализа предложенной модели используются два наиболее часто используемых метода визуализации, а именно визуализация промежуточной активации и визуализация тепловых карт активации классов в изображении.

Визуализация промежуточной активации относится к отображению карт характеристик, которые выводятся всеми видами слоев свертки и объединения в сети для указанного входа.Это облегчает понимание того, как последовательные слои свертки преобразуют свои входные данные, а также значение каждого фильтра. На рисунке 10 показано исходное изображение из класса антракноза и изображение визуальной активации после второго сверточного слоя модели DICNN. По результатам визуализации на изображении участок пятна болезни на виноградном листе четко отделен от фона. Предполагается, что модель может идентифицировать болезненные пятна на изображении и может характеризовать болезненные пятна как один из критериев для классификации.Эксперимент визуализации активации для болезней виноградных листьев иллюстрирует превосходные характеристики распознавания модели DICNN и показывает, как предлагаемая модель DICNN изучает особенности для различения области поражения и фона.

Рисунок 10 Визуализация активации.

Визуализация тепловых карт активации классов относится к созданию тепловых карт активации классов по входным изображениям (Selvaraju et al., 2017). Эти методы визуализации также известны как методы визуализации карты активации классов (CAM), которые облегчают понимание того, какие части входного изображения приводят к окончательному классификационному решению сверточной нейронной сети.На рисунке 11 показано исходное изображение и сгенерированные тепловые карты активации класса. Эти визуализированные данные облегчают понимание того, какие части входного изображения приводят к окончательному классификационному решению модели. По результатам визуализации сильно активирована зона пятна болезни: так сеть различает различные болезни листьев винограда. В целом результаты этого эксперимента демонстрируют, что модель уделяет все внимание особенностям пятна болезни и обеспечивает превосходное распознавание болезней листьев винограда.

Рисунок 11 CAM-визуализация. (A) антракноз; (B) Коричневое пятно; (C) Клещи; (D) Черная гниль; (E) Ложная мучнистая роса; (F) Упадок листьев; (G) Здоровые листья.

Выводы

В этой статье предложен подход глубокого обучения для выявления шести распространенных болезней листьев винограда и здоровых листьев. На основе 7669 собранных изображений виноградных листьев, 107 366 изображений были созданы с помощью увеличения на изображения.Путем анализа признаков болезней листьев винограда предлагается усовершенствованная CNN для идентификации болезней листьев винограда. К модели была применена глубокая разделяемая свертка вместо стандартной свертки, чтобы избежать переобучения и уменьшить количество параметров. Принимая во внимание различные размеры пятен болезни виноградных листьев, к модели были применены структуры Inception для улучшения возможности многомасштабного извлечения признаков. Кроме того, была введена стратегия плотного подключения для поощрения повторного использования функций и усиления распространения функций.

Предложенный подход к идентификации болезней виноградных листьев на основе CNN был реализован в рамках TensorFlow и Keras на платформе Tesla P100 GPU. С расширенным набором данных предложенная модель DICNN была обучена классифицировать семь типов виноградных листьев. Согласно результатам экспериментов, предложенный алгоритм реализует точность распознавания 97,22%, что дает лучшую производительность, чем другие популярные методы трансферного обучения. По сравнению со стандартными архитектурами ResNet и GoogLeNet предлагаемая модель DICNN реализует более высокую скорость сходимости в процессе обучения и более высокую точность.Результаты этого исследования демонстрируют, что предложенный алгоритм реализует сквозную классификацию болезней виноградных листьев и предоставляет решение и справочник по применению подходов глубокого обучения в классификации болезней сельскохозяйственных культур.

Заявление о доступности данных

Наборы данных, созданные для этого исследования, доступны по запросу соответствующему автору.

Вклад авторов

Концептуализация, BL, ZD и LT. Методология, BL, ZD и LT.Программное обеспечение, ZD и LT. Проверка, BL, DH, SL и HW. Написание — подготовка оригинального черновика, ZD и LT. Написание — просмотр и редактирование, BL, ZD и LT. Надзор, BL. Получение финансирования, BL, DH, SL и HW. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование поддержано Национальным фондом естественных наук Китая в рамках гранта № 61602388, Китайским фондом постдокторантуры в рамках гранта № 2017M613216, Фондом фундаментальных исследований для центральных университетов в рамках гранта №2452019064, План фундаментальных исследований в области естественных наук в провинции Шэньси, Китай, грант № 2017JM6059, Фонд постдокторантуры провинции Шэньси, Китай, грант № 2016BSHEDZZ121, Центр совместных инноваций в области технологий умного сельского хозяйства в Нинся, грант № 2017DC53, Программой ключевых исследований и разработок Шэньси в рамках гранта № 2019ZDLNY07-06-01, а также Программой обучения инновациям и предпринимательству Северо-Западного университета Китая A&F в рамках гранта №201910712048.

Конфликт интересов

Автор HW работал в компании West Electronic Business.

Остальные авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Автор хотел бы поблагодарить анонимных рецензентов за их ценные предложения по этой рукописи.

Литература

Абади, М., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., et al. (2016a). TensorFlow: система для крупномасштабного машинного обучения 12-я конференция USENIX по разработке и внедрению операционных систем 265–283.

Google Scholar

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Zheng, X. (2016b). TensorFlow: крупномасштабное машинное обучение в гетерогенных распределенных системах. arXiv . 1603.04467v1.

Google Scholar

Акбарзаде, С., Паап, А., Ахдером, С., Апопей, Б., Аламех, К. (2018). Дискриминация растений с помощью машинного классификатора опорных векторов на основе спектрального отражения. Comput. Электрон. Agric. 148, 250–258. doi: 10.1016 / j.compag.2018.03.026

CrossRef Полный текст | Google Scholar

Али, Х., Лали, М. И., Наваз, М. З., Шариф, М., Салим, Б. А. (2017). Автоматическое обнаружение болезней цитрусовых на основе симптомов с использованием цветовой гистограммы и текстурных дескрипторов. Comput. Электрон. Agric. 138, 92–104. DOI: 10.1016 / j.compag.2017.04.008

CrossRef Полный текст | Google Scholar

Bahrampour, S., Ramakrishnan, N., Schott, L., Shah, M. (2015). Сравнительное исследование программных фреймворков глубокого обучения. arXiv . 1511.06435.

Google Scholar

Дюто, М., Нельсон, Л., Тайсон, Р. (2013). Прогнозирование распространения послеуборочной болезни в хранящихся фруктах, применительно к яблокам. Postharvest Biol. Technol. 85, 45–56. DOI: 10.1016 / j.postharvbio.2013.04.003

CrossRef Полный текст | Google Scholar

Гитарамани, Г., Пандиан, А. Дж. (2019). Идентификация болезней листьев растений с использованием девятиуровневой глубокой сверточной нейронной сети. Comput. Электр. Англ. 76, 323–338. doi: 10.1016 / j.compeleceng.2019.04.011

CrossRef Полный текст | Google Scholar

Гриффель, Л. М., Делпарт, Д., Эдвардс, Дж. (2018). Использование машинной классификации опорных векторов для дифференциации спектральных сигнатур растений картофеля, инфицированных вирусом картофеля Y. Comput. Электрон. Agric. 153, 318–324. doi: 10.1016 / j.compag.2018.08.027

CrossRef Полный текст | Google Scholar

Hamuda, E., Mc Ginley, B., Glavin, M., Jones, E. (2017). Автоматическое определение посевов в полевых условиях с использованием цветового пространства HSV и морфологических операций. Comput. Электрон. Agric. 133, 97–107. doi: 10.1016 / j.compag.2016.11.021

CrossRef Полный текст | Google Scholar

He, K., Zhang, X., Ren, S., Sun, J. (2016).Глубокое остаточное обучение для распознавания изображений. IEEE Conf. Comput. Распознавание образов зрения. 770–778. doi: 10.1109 / CVPR.2016.90

CrossRef Полный текст | Google Scholar

Heisel, S., Kovačević, T., Briesen, H., Schembecker, G., Wohlgemuth, K. (2017). Выбор переменных и дизайн обучающего набора для классификации частиц с использованием линейного и нелинейного классификатора. Chem. Англ. Sci. 173, 131–144. doi: 10.1016 / j.ces.2017.07.030

CrossRef Полный текст | Google Scholar

Howard, A.Г., Чжу, М., Бо, К., Калениченко, Д., Ван, В., Вейанд, Т. и др. (2017). MobileNets: эффективные сверточные нейронные сети для приложений мобильного зрения. Comput. Распознавание образов зрения. 1–9.

Google Scholar

Хуанг, Г., Лю, З., Маатен, Л. В. Д., Вайнбергер, К. К. (2017). Плотно связанные сверточные сети. IEEE Conf. Компьютер, распознавание образов. 2261–2269. doi: 10.1109 / CVPR.2017.243

CrossRef Полный текст | Google Scholar

Джи, М., Чжан, Л., Ву, К. (2019). Автоматическая идентификация болезней виноградных листьев с помощью UnitedModel на основе нескольких сверточных нейронных сетей. Инф. Процесс. Сельское хозяйство . 1–9. doi: 10.1016 / j.inpa.2019.10.003

CrossRef Полный текст | Google Scholar

Jiang, P., Chen, Y., Liu, B., He, D., Liang, C. (2019). Обнаружение болезней листьев яблони в реальном времени с использованием подхода глубокого обучения на основе усовершенствованных сверточных нейронных сетей. Доступ IEEE 7, 59069–59080. DOI: 10.1109 / ДОСТУП.2019.2914929

CrossRef Полный текст | Google Scholar

Каур, П., Панну, Х. С., Малхи, А. К. (2019). Распознавание болезней растений с использованием моментов Цернике дробного порядка и классификатора SVM. Neural Comput. Прил. , 1–20. doi: 10.1007 / s00521-018-3939-6

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хан, М. А., Акрам, Т., Шариф, М., Авайс, М., Джавед, К., Али, Х. и др. (2018). CCDF: Автоматическая система сегментации и распознавания болезней плодовых культур на основе коэффициента корреляции и глубоких характеристик CNN. Comput. Электрон. Agric. 155, 220–236. doi: 10.1016 / j.compag.2018.10.013

CrossRef Полный текст | Google Scholar

Хан, М. А., Лали, М. И. У., Шариф, М., Джавед, К., Аурангзеб, К., Хайдер, С. И. и др. (2019). Оптимизированный метод сегментации и классификации болезней Apple на основе строгой корреляции и выбора признаков на основе генетических алгоритмов. IEEE Access 7, 46261–46277. doi: 10.1109 / ACCESS.2019.20

CrossRef Полный текст | Google Scholar

Kingma, D., Ба, Дж. (2015). Адам: Метод стохастической оптимизации. Внутр. Конф. Учиться. Представления 1–15.

Google Scholar

Кур, В. П., Арора, С. (2019). Машина опорных векторов на основе оптимизации роя частиц (P-SVM) для сегментации и классификации растений. IEEE Access 7, 29374–29385. doi: 10.1109 / ACCESS.2019.2

0

CrossRef Полный текст | Google Scholar

Кулин, М., Казаз, Т., Моэрман, И., Портер, Э. Д. (2017). Сквозное обучение на основе спектральных данных: подход глубокого обучения для идентификации беспроводных сигналов в приложениях для мониторинга спектра. Доступ IEEE 6, 18484–18501. doi: 10.1109 / ACCESS.2018.2818794

CrossRef Полный текст | Google Scholar

Лин, Ю., Хуанг, Ю., Лораамм, Р. В., Ни, К., Ван, Дж., Чжан, Дж. (2014). Спектральный анализ листьев озимой пшеницы для выявления и дифференциации болезней и насекомых. Field Crops Res. 156, 199–207. doi: 10.1016 / j.fcr.2013.11.012

CrossRef Полный текст | Google Scholar

Лю Б., Чжан Ю., Хе Д., Ли Ю. (2018). Выявление болезней листьев яблони на основе глубоких сверточных нейронных сетей. Симметрия 10, 1–16. doi: 10.3390 / sym10010011

CrossRef Полный текст | Google Scholar

Лю Б., Хе С., Хе Д., Чжан Ю., Гуйзани М. (2019). Алгоритм параллельной сегментации нечетких C-средних на основе Spark для больших данных сельскохозяйственных изображений. IEEE Access 7, 42169–42180. doi: 10.1109 / ACCESS.2019.23

CrossRef Полный текст | Google Scholar

Лу, Дж., Цзе, Х., Чжао, Г., Мэй, Ф., Чжан, К. (2017). Система автоматической диагностики болезней пшеницы в полевых условиях. Comput. Электрон. Agric. 142, 369–379. doi: 10.1016 / j.compag.2017.09.012

CrossRef Полный текст | Google Scholar

Лу, Й., Йи, С., Цзэн, Н., Лю, Й., Чжан, Ю. (2017). Выявление болезней риса с помощью глубоких сверточных нейронных сетей. Нейрокомпьютинг 267, 378–384. doi: 10.1016 / j.neucom.2017.06.023

CrossRef Полный текст | Google Scholar

Mahlein, A. K., Rumpf, T., Welke, P., Dehne, H. W., Plümer, L., Steiner, U., et al.(2013). Разработка спектральных индексов для обнаружения и идентификации болезней растений. Remote Sens. Environ. 128, 21–30. doi: 10.1016 / j.rse.2012.09.019

CrossRef Полный текст | Google Scholar

Mohammadpoor, M., Nooghabi, M. G., Ahmedi, Z. (2020). Интеллектуальная техника для обнаружения вируса Grape Fanleaf. Внутр. J. Взаимодействовать. Мультимедиа Артиф. Intell. 6, 62–67. doi: 10.9781 / ijimai.2020.02.001

CrossRef Полный текст | Google Scholar

Оппенгейм, Д., Шани, Г., Эрлих, О., Црор, Л. (2019). Использование глубокого обучения для обнаружения болезней клубней картофеля на основе изображений. Фитопатология 109, 1083–1087. doi: 10.1094 / PHYTO-08-18-0288-R

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Pu, Y., Apel, D. B., Szmigiel, A., Chen, J. (2019). Распознавание изображений угля и угольных скоплений с помощью сверточной нейронной сети и передачи обучения. Энергия 12, 1–11. doi: 10.3390 / en12091735

CrossRef Полный текст | Google Scholar

Рамчаран, А., McCloskey, P., Baranowski, K., Mbilinyi, N., Mrisho, L., Ndalahwa, M., et al. (2019). Мобильная модель глубокого обучения для диагностики болезни маниока. Фронт. Plant Sci. 10, 1–19. doi: 10.3389 / fpls.2019.00272

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сельвараджу, Р. Р., Когсуэлл, М., Дас, А., Ведантам, Р., Парих, Д., Батра, Д. (2017). Grad-CAM: визуальные объяснения из глубоких сетей с помощью градиентной локализации. IEEE Int. Конф. Comput.Видение 618–626. doi: 10.1109 / ICCV.2017.74

CrossRef Полный текст | Google Scholar

Шариф, М., Хан, М. А., Икбал, З., Азам, М. Ф., Лали, М. И. У., Джавед, М. Ю. (2018). Выявление и классификация болезней цитрусовых в сельском хозяйстве на основе оптимизированной взвешенной сегментации и выбора признаков. Comput. Электрон. Agric. 150, 220–234. doi: 10.1016 / j.compag.2018.04.023

CrossRef Полный текст | Google Scholar

Симонян К., Зиссерман А.(2014). Очень глубокие сверточные сети для распознавания крупномасштабных изображений. arXiv , 1–14.

Google Scholar

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., et al. (2015). Углубляясь в свертки. IEEE Conf. Comput. Распознавание образов зрения. 1–9. doi: 10.1109 / CVPR.2015.7298594

CrossRef Полный текст | Google Scholar

Сегеди, К., Ванхаук, В., Иоффе, С., Шленс, Дж., Война, З. (2016). Переосмысление начальной архитектуры компьютерного зрения. IEEE Conf. Comput. Распознавание образов зрения. 2818–2826. doi: 10.1109 / CVPR.2016.308

CrossRef Полный текст | Google Scholar

Tang, Y. (2016). TF.Learn: модуль высокого уровня TensorFlow для распределенного машинного обучения. arXiv , 1612.04251.

Google Scholar

Ваг, Т. А., Самант, Р. М., Гуджарати, С. В., Гайквад, С. Б. (2019). Обнаружение болезни листьев винограда с помощью сверточной нейронной сети. Внутр. J. Comput. Прил. 178, 7–11.doi: 10.5120 / ijca2019918982

CrossRef Полный текст | Google Scholar

Waghmare, H., Kokare, R., Dandawate, Y. (2016). «Обнаружение и классификация болезней виноградных растений с использованием функции локального двоичного шаблона противоположного цвета и машинного обучения для автоматизированной системы поддержки принятия решений» (Международная конференция по обработке сигналов и интегрированным сетям), 513–518. doi: 10.1109 / SPIN.2016.7566749

CrossRef Полный текст | Google Scholar

Wang, X., Zhu, C., Фу, З., Чжан, Л., Ли, X. (2019). Исследование распознавания мучнистой росы огурцов по визуальным спектрам. Spectrosc. Спектр. Анальный. 39, 1864–1869. doi: 10.3964 / j.issn.1000-0593 (2019) 06-1864-06

CrossRef Полный текст | Google Scholar

Zhang, S., Wang, Z. (2016). Распознавание болезней огурцов на основе разложения глобально-локальных сингулярных значений. Нейрокомпьютинг 205, 341–348. doi: 10.1016 / j.neucom.2016.04.034

CrossRef Полный текст | Google Scholar

Zhang, Y., Гравина, Р., Лу, Х., Виллари, М., Фортино, Г. (2018). PEA: Параллельная аутентификация на основе электрокардиограммы для интеллектуальных систем здравоохранения. J. Netw. Comput. Прил. 117, 10–16. doi: 10.1016 / j.jnca.2018.05.007

CrossRef Полный текст | Google Scholar

Zhang, S., Zhang, S., Zhang, C., Wang, X., Shi, Y. (2019a). Идентификация болезни листьев огурца с помощью расширенной сверточной нейронной сети с глобальным объединением. Comput. Электрон. Agric. 162, 422–430. DOI: 10.1016 / j.compag.2019.03.012

CrossRef Полный текст | Google Scholar

Zhang, S., Huang, W., Zhang, C. (2019b). Трехканальные сверточные нейронные сети для распознавания болезней листьев овощей. Cogn. Syst. Res. 53, 31–41. doi: 10.1016 / j.cogsys.2018.04.006

CrossRef Полный текст | Google Scholar

Чжу, М., Ян, Х., Ли, З. (2019). Раннее обнаружение и идентификация заболевания оболочек риса на основе гиперспектрального изображения и содержания хлорофилла. Spectrosc.Спектр. Анальный. 39, 1898–1904 гг. doi: 10.3964 / j.issn.1000-0593 (2019) 06-1898-07

CrossRef Полный текст | Google Scholar

Черное пятно виноградной лозы | Болезни виноградной лозы | Болезни растений | Биозащита

Черная пятнистость или антракноз, вызываемый грибком Elsinoe ampelina , является серьезным заболеванием виноградной лозы. Это было зарегистрировано во всех виноградарских районах Виктории.

Сорт султана и некоторые сорта столового винограда очень восприимчивы к атаке.К счастью, многие винные сорта винограда относительно устойчивы.

До внедрения подходящих фунгицидов черная пятнистость была серьезной проблемой на многих коммерческих виноградниках. Существенно снизилась заболеваемость.

Тем не менее, серьезные потери урожая в прошлом являются мрачным напоминанием о том, что производители должны опасаться болезни и поддерживать контроль в сезон влажных источников. Черная пятнистость очень стойкая после того, как образовалась, поэтому виноградники с историей этой проблемы следует обрабатывать регулярно каждый год, чтобы предотвратить накопление болезни.

Симптомы черных пятен

Листья

Маленькие коричнево-черные пятна диаметром от 1 до 3 мм являются первыми признаками заражения листьев. Эти пятна быстро превращаются в круглые серо-черные пятна с красно-коричневыми краями. Эти края постепенно темнеют, и когда пятна сливаются, центры отрываются, придавая листьям рваный вид (рис. 1).

Побеги

Маленькие коричнево-черные пятна со слегка вдавленным центром и приподнятыми краями — первые признаки болезни на стеблях побегов.
Эти пятна постепенно удлиняются, образуя серые центры.

Опоясывающий лишай часто возникает, когда пятна сливаются, что может привести к гибели стеблей. Стебли могут скручиваться и деформироваться, если побеги инфицированы на ранней стадии развития (рис. 2).

Грозди

Если грозди заражены до или во время цветения, опоясывание может вызвать увядание и осыпание. На ягодах сначала появляются округлые, впалые коричневые пятна.

Позже, во влажных условиях, они могут увеличиваться, образуя «пятна с высоты птичьего полета» с серыми центрами и темно-красными краями.Молодые незрелые ягоды имеют тенденцию оставаться прикрепленными, как высушенные мумии после нападения.

Пятна на кожуре пораженных ягод превращаются в твердые корки по мере созревания ягод (рис. 3).

Зрелые трости

Рубцы или язвы с выемками или трещинами в центре постепенно образуются по мере развития инфекции на трости. Эти раны часто бывают достаточно глубокими, чтобы обнажить внутреннюю поверхность тростей. Окружающая древесина постепенно чернеет и приобретает обгоревший вид.

Условия, благоприятствующие болезням и потере урожая

Черное пятно может поразить все зеленые части лозы.Молодые, сочные ткани винограда очень восприимчивы к поражению. Зрелые ткани менее восприимчивы. Язвы, вызывающие споры, могут длиться от 3 до 5 лет.

Прохладная влажная погода весной и в начале лета особенно благоприятствует вспышкам болезни, поскольку поверхностная влажность необходима для распространения грибковых спор и инфекции. Поверхностная влажность также способствует образованию спор от язвы на тростниках или ягодах. В таких условиях болезнь может быстро развиваться.

Жаркие и засушливые условия замедляют распространение болезней и способствуют покою гриба.

Черная пятнистость распространяется на виноградниках медленнее, чем ложная или мучнистая роса, которые распространяются ветровыми спорами. При черной пятнистости споры разбрызгиваются или переносятся в воде насекомыми от язвы до молодых побегов лозы. Следовательно, распространение черных пятен в течение каждого сезона связано в основном с язвенными заболеваниями предыдущих сезонов.

Основные потери урожая происходят, когда серьезные инфекции развиваются на молодых побегах и цветочных кустах после накопления инокулята во время серии влажных весен.

Наблюдение за черными пятнами

Осматривайте виноградники каждые 1-2 недели и ищите маленькие черные пятна на нижних частях побегов. Симптомы схожи с симптомами фомопсиса, поэтому для правильного лечения требуется тщательная идентификация.

Борьба с черной пятнистостью

Сроки проведения основных опрыскиваний в начале сезона для борьбы с обратной пятнистостью должны быть следующими:

• 50-процентное распускание почек примерно через 2 недели после распускания почек
• при длине побегов от 200 до 300 мм (около 3 до 4 недель после распускания почек).