3D сады


Какой способ с вредителями и болезнями растений более безопасный


Методы и способы борьбы с вредителями и болезнями растений

Защита растений от вредителей и болезней в целом, в том числе и защита насаждений городов и населённых мест, с каждым годом совершенствуется, что позволяет значительно снизить ущерб, причиняемый вредными организмами.

Методы защиты растений основываются на современных достижениях науки.

Выделяют следующие методы — агротехнический (лесохозяйственный), физико—механический, биологический и химический.

Все эти методы практически применяются не изолированно, а в виде системы мероприятий, которые представляют собой комплексное использование нескольких методов, что даёт наибольший эффект в борьбе с вредителями и болезнями.

В каждой природно—экономической зоне система мероприятий различна в соответствии с местными условиями.

Применение системы мероприятий имеет целью повысить устойчивость насаждений путём создания наиболее благоприятных условий роста, введения устойчивых пород, создания благоприятных условий для обитания и размножения полезных птиц, насекомых и других животных, уничтожения вредных организмов с помощью химического и других методов борьбы.

Необходимым условием успешного применения систем мероприятий по борьбе с вредителями и болезнями являются обследования насаждений и сигнализация о появлении вредителей и болезней.

По данным обследований насаждений определяется назначение соответствующих мер борьбы с вредными организмами.

Агротехнический метод.

Агротехническому методу (или лесохозяйственному для условий лесопаркового хозяйства) в системе мероприятий по борьбе с вредителями и болезнями зелёных насаждений принадлежит ведущее место. Этот метод везде доступен для применения и весьма эффективен. Агротехнические мероприятия создают растениям благоприятные условия для роста и повышают их устойчивость к поражению вредными организмами.

Важнейшими из агротехнических мер являются следующие.

Чередование культур.

Ограничивает численность вредителей и болезней, особенно специализированных, поражающих определённые культуры. Большое значение чередование культур имеет в питомниках и цветоводческих хозяйствах. Чтобы избежать потерь, не следует ежегодно высаживать цветочные и другие растения на одних и тех же участках.

Использование устойчивых видов и сортов растений.

Для каждой природно—климатической зоны могут быть подобраны декоративные древесно—кустарниковые и цветочные растения, устойчивые к комплексу наиболее опасных для данной зоны вредителей и болезней. Например, разной устойчивостью к вредителям обладают рано или поздно распускающиеся весной формы дуба. Сравнительно слабо повреждаются вредителями клёны, хотя они часто страдают от грибных болезней, среднеазиатские виды ильмовых устойчивы к голландской болезни.

Устойчивость насаждений достигается не только подбором устойчивых видов и сортов, но также их размещением и сочетанием. Не рекомендуется сажать вместе породы, являющиеся взаимными передатчиками заболеваний, например тополь и сосну. Устойчивость насаждений достигается также равномерной сомкнутостью крон, созданием плотных опушек из кустарников. Смешанные насаждения, состоящие из нескольких пород, всегда устойчивее чистых. Это объясняется тем, что в смешанных насаждениях всегда больше полезных птиц и насекомых и условия для распространения многих болезней растений ограничены.

Отбор посевного и посадочного материала.

С семенами, клубнями, луковицами, саженцами и черенками в почву могут быть занесены различные вредители (например, луковичный клещ) и возбудители многих грибных заболеваний (фузариоз сеянцев хвойных и лиственных пород, увядание цветочных растений и др.). При посадке заражённых саженцев и деревьев в сады, парки и городские насаждения могут быть занесены различные виды вредителей и болезней, которые в новых условиях будут продолжать повреждать и заражать другие растения. Поэтому весь посевной и посадочный материал необходимо тщательно отбирать, а при необходимости обеззараживать.

Обработка и удобрение почвы.

В почве обитают многие вредные насекомые и возбудители болезней растений. У некоторых насекомых (медведка) весь жизненный цикл проходит в почве, где они питаются подземными частями растений. Другие вредные насекомые бывают связаны с почвой только в определённые фазы своего развития. Ряд видов насекомых—вредителей откладывает яйца в почву (щелкуны, чернотёлки, пластинчатоусые), и их личинки поедают семена или объедают корни растений. Многие насекомые уходят в почву на окукливание или зимовку.

Правильная обработка почвы вызывает гибель многих вредителей и возбудителей болезней растений, находящихся в почве, на её поверхности или на растительных остатках. При глубокой обработке почвы насекомые и возбудители болезней, находящиеся в поверхностных слоях почвы, запахиваются в более глубокие слои, а насекомые, находящиеся в нижних слоях, наоборот, выпахиваются на поверхность почвы, где погибают. Рыхление почвы создает благоприятные условия для обитания в ней хищных насекомых, уничтожающих вредителей. При обработке почвы разрушаются норы мышей.

Удобрение почвы и подкормка растений ускоряют рост и повышают их устойчивость против вредителей и болезней. Некоторые удобрения непосредственно действуют на вредителей, например, суперфосфат вызывает гибель слизней.

Известкование кислых почв создает неблагоприятные условия для развития личинок щелкунов и многих возбудителей болезней растений.

Уничтожение сорняков.

Сорная растительность является очагом размножения вредных организмов. Сорняки служат для них местом обитания и источником питания. Паутинный клещ, крестоцветные блошки, хризантемная нематода и другие вредители питаются и размножаются на сорных растениях, а затем переселяются на различные культуры и повреждают их. Некоторые сорняки являются промежуточными хозяевами для возбудителей некоторых болезней. Так, ржавчина сосны паразитирует на осоте, мать—и—мачехе. Поэтому рекомендуется систематически и тщательно уничтожать сорняки и содержать в чистоте посадки.

Санитарно—профилактические мероприятия.

Направлены на устранение источников инфекции и ликвидацию очагов развития вредителей и болезней. С этой целью в садах и парках убирают опавшие листья, хвою, шишки, плоды, мёртвые ветви и погибшие растения. Проводится обрезка больных и засохших ветвей и побегов, уход за кронами, выборка свежезаселенных стволовыми вредителями деревьев, окорка и корчёвка пней, удаление плодовых тел грибов, лечение ран и пломбировка дупел.

Обрезка ветвей обычно проводится до начала вегетации растений. Если обрезка проводится в период вегетации, то места срезки дезинфицируют и замазывают садовыми замазками. Выборка заселенных стволовыми вредителями деревьев обычно проводится в два срока — весной до начала июня и в осенне—зимний период.

Свежезаселенные деревья срубают, окоривают и удаляют из насаждений. Деревья, усыхающие от грибных болезней (смоляной рак, корневая губка, голландская болезнь ильмовых), также вырубают и удаляют из насаждений. Вырубается кустарник (крушина, барбарис), если он является передатчиком инфекционных заболеваний.

Окорка и корчёвка пней производится с целью уничтожить вредных насекомых, поселяющихся под корой и в самих пнях, а также грибные болезни (опёнок, корневая губка, трутовики). С этой же целью необходимо собирать и уничтожать плодовые тела грибов—трутовиков.

Лечение ран и пломбирование дупел — важное и широко распространённое мероприятие в городских насаждениях, которое значительно удлиняет жизнь повреждённых деревьев. Рану сначала очищают от загнившей древесины, вырезая её до здорового слоя, затем дезинфицируют. Для дезинфекции применяют 3% раствор медного купороса, 3% раствор фтористого и кремнефтористого натрия, эмульсию генераторной сланцевой смолы, креозотовое или сланцевое масло. Очищенную и продизенфицированную рану сверху покрывают смолой или садовой замазкой. При лечении и пломбировании дупел предварительно проводится их очистка, формировка и дезинфекция. Формировкой полости дупла или раны преследуется цель не допустить затекания и скопления в них дождевой воды, создать условия для прочного удержания замазки и последующего зарастания раны.

Если дупло после лечения остается открытым, то внутренние стенки его необходимо покрыть водонепроницаемым составом, например сланцевой смолой или другими смолистыми составами. Чтобы не допустить застоя воды, выход делают в основании дупла, но лучше полностью заделывать полость. Хорошим материалом для пломбирования является смесь асфальта (1 часть) с песком или опилками (3—6 частей), эту смесь готовят путем разогрева асфальта и постепенного добавления к нему при перемешивании песка или опилок. После пломбировки вход в дупло покрывается жестью или другим материалом.

Физико—механический метод.

Этот метод в основном дополняет другие, более эффективные мероприятия.

К механическим средствам борьбы относятся — сбор вредных насекомых, вылавливание их различными ловушками, устройство преград, окопка канавами очагов корневых гнилей.

Ручной сбор насекомых применяется в молодых и невысоких насаждениях. Вручную собирают ложногусениц сосновых пилильщиков, живущих группами, молодых гусениц кольчатого шелкопряда, листоедов и других насекомых. Кладки яиц непарного шелкопряда соскабливают скребками в ведро или на мешковину и уничтожают. Зимние гнёзда златогузки и боярышницы снимают с растений шестами с жёсткими щетками. Обрезают побеги с кладками кольчатого шелкопряда.

Ловчие деревья используются для привлечения стволовых вредителей, живущих под корой или в древесине. Выкладка ловчих деревьев производится до начала лёта жуков—короедов, усачей и златок, для того чтобы деревья немного подвяли. Место и срок выкладки ловчих деревьев зависят от вида вредителя. В качестве ловчих деревьев используют бурелом, ветровал и ослабленные деревья. После того как на ловчих деревьях появятся личинки, проводят окорку стволов, а затем сжигают кору вместе с личинками.

Липкие или клеевые кольца используют в качестве преград при передвижении бескрылых насекомых (самок бабочек зимней пяденицы, соснового подкорного клопа) или гусениц, взбирающихся по стволам в кроны деревьев (сосновый шелкопряд). Перед накладкой колец кору деревьев сглаживают. На деревья с тонкой корой накладывают кольца из плотной непромокаемой бумаги. Для клеевых колец применяют незастывающий гусеничный клей.

В борьбе с почвенными вредителями и возбудителями болезней в тепличных хозяйствах применяется термическая дезинфекция почвы с расчётом, чтобы температура почвы достигала +80°С.

Применяются светоловушки, и по количеству летящих на свет насекомых можно судить о начале массовой яйцекладки и правильно сигнализировать о начале борьбы с вредителями.

Биологический метод.

Биологический метод в борьбе с вредителями растений основан на использовании естественных врагов вредителей — энтомофагов — паразитов и хищников, а также на применении микроорганизмов — возбудителей болезней вредителей.

В борьбе с болезнями растений начинают находить применение микроорганизмы — антагонисты возбудителей болезней и антибиотики.

Паразитами называются животные, живущие внутри или на теле других животных — хозяев. Разница между паразитами и хищниками заключается в том, что хищник убивает свою жертву сразу, а паразит, питаясь за счёт насекомого—хозяина, приводит его к гибели лишь с окончанием срока своего развития. Среди хищников известны многие виды жуков из семейства божьих коровок, поедающие тлей, червецов и щитовок, из семейства жужелиц, которые питаются гусеницами и личинками других насекомых. Хищные виды имеются среди полужёсткокрылых (клопы), сетчатокрылых, перепончатокрылых (муравьи) и других отрядов насекомых, а также среди клещей.

Наибольшее значение среди паразитических насекомых имеют представители отрядов перепончатокрылых и мух. Взрослые особи паразитов ведут свободный образ жизни, питаются нектаром и пыльцой цветов. Большинство паразитов из перепончатокрылых откладывает яйца внутрь тела насекомого—хозяина, за счёт которого они паразитируют. Разнообразны способы откладки яиц у паразитических мух, однако их личинки тоже проникают внутрь тела хозяина и там развиваются.

Эффективность энтомофагов в большой степени зависит от их специализации.

Например, афелинус, паразит кровяной яблонной тли, серьёзного вредителя яблони способен самостоятельно сдерживать размножение вредителя. Известно также много примеров подавления массового размножения таких вредителей, как непарный шелкопряд одновременно несколькими видами паразитов и хищников из группы олигофагов. Среди полифагов могут иметь большое значение для защиты лесопарковых насаждений хищные рыжие муравьи рода формика. Методы переселения муравейников в новые места, где их нет, разработаны.

В целом методы применения полезных насекомых в борьбе с вредителями городских и парковых насаждений остаются слабо разработанными, хотя имеется ряд примеров успешного использования энтомофагов. В южных районах страны против случайно завезенного в нашу страну австралийского желобчатого червеца, вредителя акации, цитрусовых и других древесных и кустарниковых растений, был применён хищный жук родолия, происходящий из Австралии. Очаги размножения вредителя были подавлены.

Для борьбы с мучнистыми червецами, повреждающими очень многие растения, был применён происходящий также из Австралии хищный жук криптолемус. Криптолемуса можно разводить в искусственных условиях, и он с успехом применяется для борьбы с мучнистыми червецами в открытом грунте и в теплицах.

В теплицах против паутинного клеща применяется хищный клещ фитосейулюс, первоначально завезённый из Алжира.

Из местных паразитических насекомых используются яйцееды рода трихограмма, которые могут развиваться в яйцах более чем 80 видов вредных насекомых, главным образом бабочек. Трихограмму размножают в специальных биолабораториях, используя яйца зерновой моли, легко разводимой в искусственных условиях. Взрослую трихограмму выпускают в природные условия в период яйцекладки вредных насекомых. Трихограмма, несомненно, может найти применение для борьбы со многими вредителями парковых и лесопарковых насаждений.

Для борьбы с кольчатым шелкопрядом, повреждающим многие лиственные породы, применяется яйцеед теленомус. При уходе за насаждениями кладки яиц кольчатого шелкопряда (в виде колец на ветках) обычно срезаются и уничтожаются. Выяснилось, что при этом одновременно с вредителем губится большое количество полезных яйцеедов, находящихся внутри яиц шелкопряда. Для сохранения теленомусов срезанные весной или осенью веточки с кладками яиц кольчатого шелкопряда помещают в мешки и содержат открыто, под навесом. Отрождающихся весной гусениц шелкопряда уничтожают. Когда начинается вылет теленомуса из заражённых яиц (во время лёта шелкопряда), его выпускают в насаждениях.

Успешное использование энтомофагов возможно только при создании благоприятных условий для их развития. Для многих энтомофагов необходим источник дополнительного питания — нектар и пыльца цветущих растений. В местах, где нектароносные растения обильны и их цветение продолжительно, энтомофагов скапливается много.

Необходимо иметь в виду, что ядохимикаты, применяемые против вредных насекомых, могут уничтожить и энтомофагов. Чтобы избежать этого, нужно знать биологию вредителей и их основных энтомофагов. Химические обработки против вредителей целесообразно проводить в безопасные для полезных насекомых сроки, например рано весной до распускания почек.

Рациональное сочетание различных методов борьбы даёт лучшие результаты.

Для насаждений в городах особенно полезными являются птицы, уничтожающие вредных насекомых. Для привлечения птиц в насаждениях, устраиваются искусственные гнездовья (скворечники, дуплянки), делается подкормка птиц в зимний период.

Уничтожают вредителей также летучие мыши, ежи, землеройки, и их нужно оберегать от истребления.

В последнее время достигнуты большие успехи в использовании микроорганизмов в борьбе против вредителей и болезней растений.

Применяемый против насекомых—вредителей отечественный биопрепарат энтобактерин безвреден для человека, пчёл и других полезных насекомых. Его можно применять в любую фазу вегетации растений, в том числе и в период цветения и уборки урожая, когда любые химические обработки растений недопустимы. Энтобактерин эффективен в борьбе с более чем 45 видами вредителей — яблонной, плодовой, черемуховой, бересклетовой, сиреневой и капустной молями, боярышницей, зимней пяденицей, ивовой волнянкой, сосновым, сибирским, кольчатым и непарным шелкопрядами, златогузкой, розанной и почковой листовертками. В организм насекомого препарат попадает вместе с кормом, поэтому применять его необходимо в период активного питания вредителей. Энтобактерин сильнее действует при температуре +17 — +30°С. Для опрыскивания на 10 л воды берут от 1 до 10 г энтобактерина, размешивают, образуя водную суспензию, расход препарата 2,5—5 кг на 1 га.

Дендробациллин, используемый для борьбы со многими вредителями, особенно из отряда чешуекрылых, боверин, вызывающий у многих вредных насекомых (бабочки, жуки, клопы) заболевание, называемое мюскардина.

Бактериальные препараты широко применяют в борьбе против мышей, крыс и полёвок. Для уничтожения крыс используются бактерии Исаченко, против мышей бактерии Мережковского. Применяются и другие бактериальные препараты. Культуры бактерий готовятся в специальных лабораториях и сохраняются в герметически закупоренных банках. На бактериальной культуре замешивают муку, добавляя зерно и овощи. Приготовленное тесто режут на кусочки и разбрасывают в местах обитания грызунов.

Лучшие результаты борьбы с вредными грызунами с помощью бактериальных препаратов получаются при использовании их в осенне—зимний период в местах скоплений грызунов.

Биологический метод борьбы с болезнями растений пока не нашел широкого практического применения.

Для уничтожения обитающих в почве фитопатогенных грибов рекомендуется использовать препараты триходермина. Триходермин, приготовляемый размножением культуры гриба на торфе, предварительно прогретом до +100°С в течении 20—30 минут.

Биологический метод борьбы с вредными для растений организмами (как вредителями, так и болезнями) обычно применяется как составная часть систем мероприятий, в которые входят химические, агротехнические и другие приёмы.

Химический метод.

Сущность химического метода защиты растений заключается в том, что в борьбе с вредителями и болезнями растений используются различные химические, большей частью ядовитые для этих организмов вещества.

Химические мероприятия по защите растений могут быть профилактическими и истребительными.

Профилактические применяются до появления на растениях вредных организмов или до перехода их во вредящую фазу, в таком случае представляется возможным предотвратить наносимый ими вред.

Истребительные меры направлены на уничтожение вредных организмов в более поздний период, поэтому вред может быть лишь частично ограничен.

Химическая защита растений отличается большой эффективностью, универсальностью, высокой производительностью при относительно небольших затратах труда.

В практике химической защиты растений используются мощные тракторные и автомобильные опрыскиватели и опыливатели, аэрозольные генераторы, самолёты и вертолёты.

В борьбе с вредными организмами химические средства применяются различными способами — опрыскиванием, опыливанием, фумигацией, или газацией, аэрозолями, внутренней терапией растений, отравленными приманками, протравливанием.

Опрыскивание — нанесение ядохимикатов в жидком состоянии на обрабатываемые растения. Достоинства опрыскивания — сравнительно малый расход действующих веществ, малая зависимость от ветра, равномерное покрытие обрабатываемых поверхностей и хорошая прилипаемость. К недостаткам этого способа можно отнести некоторую сложность приготовления рабочих составов и в ряде случаев большой расход воды.

Опыливание — сущность этого способа защиты растений заключается в нанесении на обрабатываемые поверхности (растения, насекомые) ядохимикатов с помощью специальных аппаратов—опыливателей.

Опыливание, как и опрыскивание, применяется для борьбы со многими вредными организмами. Достоинством опыливания является его простота. При опыливании не готовят специальные составы, ядохимикаты из заводской тары засыпают в опыливатель и приступают к работе. Однако при опыливании расходуется сравнительно большее количество ядохимикатов, в большей мере сказывается отрицательное влияние ветра и воздушных токов. При опыливании ядохимикаты менее равномерно распределяются на обрабатываемых поверхностях и хуже на них удерживаются.

Аэрозоли — ядовитые вещества применяются в виде дымов или туманов. Для получения аэрозолей применяют специальные дымовые шашки и аэрозольные генераторы. Аэрозоли можно применять против вредителей зелёных насаждений, но чаще их используют для обеззараживания оранжерей и складов.

Фумигация — использование ядов в паро или газообразном состоянии. Фумиганты эффективны для борьбы со многими вредными организмами, особенно в тех случаях, когда последние находятся в малодоступных местах — в почве, щелях стен. Как правило, фумигация применяется лишь в ограниченных пространствах — складах, оранжереях, камерах, норах грызунов, т. е. местах, где не происходит быстрое рассеивание газообразных веществ.

Внутренняя терапия растений — введение в растение безвредных для него химических веществ, которые, распространяясь, делают растение ядовитым для вредителей и возбудителей заболеваний. Внутренняя терапия осуществляется предпосевным опудриванием семян, намачиванием их в растворах ядохимикатов, опрыскиванием растений и накладыванием на стволы деревьев поясов из ткани, пропитанной ядовитым раствором, а также совместно с подкормками.

Отравленные приманки применяются в борьбе с грызунами и вредными насекомыми. Их раскладывают или рассеивают в местах обитания вредителей. В состав приманки кроме яда включают наиболее излюбленные для данного вредителя кормовые и привлекающие вещества.

Предпосевная обработка семян и посадочного материала — применяется влажная, полусухая и сухая обработка (протравливание). Посадочный материал обильно поливают раствором протравителя или погружают в него. В настоящее время химическая промышленность выпускает комбинированные препараты, защищающие посевной и посадочный материал от болезней и вредителей.

Гранулированные препараты изготовляются в виде комочков—гранул размером 0,5—3 мм. Часто в состав гранул помимо ядохимиката входят и удобрения (суперфосфат). Гранулированные препараты применяются в борьбе со многими вредителями, особенно обитающими в почве.

FAO - Новостная статья: Новые стандарты по ограничению глобального распространения вредителей и болезней растений

3 апреля 2019 г., Рим - Орган, отвечающий за сдерживание вредителей и болезней растений и безопасную торговлю растениями, принял новые международные меры по предотвращению пересечения границ и распространения вредителей.

Стандарты, включая протоколы по блокированию высокоинвазивных вредителей, таких как Xylella fastidiosa и восточная плодовая муха, были одобрены на ежегодном заседании Комиссии по фитосанитарным мерам (КФМ) на этой неделе.

CPM является руководящим органом Международной конвенции по защите растений (IPPC) - единственного международного органа, отвечающего за установление и внедрение фитосанитарных стандартов, признанных правительствами по всему миру, и соглашения Всемирной торговой организации и СФС для содействия безопасной торговле и защиты здоровья растений. .

«С расширением торговли и путешествий риски распространения вредных организмов растений в новые районы через границы сейчас выше, чем когда-либо прежде. Каждый день мы становимся свидетелями шокирующего числа угроз благополучию наших растений и, как следствие, для нашего здоровья, окружающей среды и экономики », - сказал Букар Тиджани, помощник генерального директора ФАО по сельскому хозяйству и защите прав потребителей.

По оценкам ФАО, ежегодно от 20 до 40 процентов мирового растениеводства теряется из-за вредителей. Ежегодно болезни растений обходятся мировой экономике примерно в 220 миллиардов долларов, а инвазивные насекомые - примерно в 70 миллиардов долларов.

«Многие фермеры и правительства борются с борьбой с очень разрушительными вредителями и болезнями, которые, помимо всего прочего, также являются новыми для них. МККЗР предоставляет им инструменты и знания, чтобы сохранить свои растения здоровыми и предотвратить проникновение вредителей через границы. ", - добавил Тиджани.

Новые стандарты IPPC, принятые на этой неделе, включают:

Новый стандарт , содержащий руководство по улучшенным методам фумигации . Это ответ на растущую озабоченность по поводу фумигантов, которые могут быть вредными для здоровья человека и окружающей среды.

Стандарт устанавливает требования к температуре, продолжительности, количеству фумигантов, чтобы сделать фумигацию эффективной, и предлагает решения по уменьшению воздействия фумигации на окружающую среду - например, за счет использования технологии повторного улавливания для снижения выбросов газов.

Протоколы диагностики, описывающие процедуры и методы официальной диагностики шести вредителей , включая Xylella fastidiosa и восточную плодовую муху ( Bactrocera dorsalis ). Обеспечение правильного диагноза имеет важное значение для ускорения действий по борьбе с вредителями.

Xylella fastidiosa - смертельная бактерия, поражающая экономически важные культуры, такие как оливковые, цитрусовые или сливовые деревья и виноградные лозы. С 2015 года он быстро распространяется из Америки в Европу и Азию.

Когда Xylella fastidiosa проникает в растение, оно остается там надолго - оно лишает растение воды до тех пор, пока растение не погибнет или не станет слишком слабым для роста плодов.

Потери вина Xylella fastidiosa только в Калифорнии обходятся в 104 миллиона долларов в год. В Италии бактерии привели к исчезновению 180 000 гектаров оливковых рощ - многих вековых деревьев - и представляют угрозу не только для экономики Италии, но и для экономики всех средиземноморских стран.

Восточная плодовая муха ( Bactrocera dorsalis ) поразила такие деревья, как авокадо, банан, гуава и манго, по крайней мере, в 65 странах. В Африке запреты на импортную торговлю из-за заражения восточной плодовой мухой приводят к ежегодным убыткам в размере около 2 миллиардов долларов.

Также на столе - Международный год здоровья растений, новые правила торговли и технологии для обнаружения вредных организмов

Обсуждения на недельном заседании КФМ (1-5 апреля), которое объединяет более 400 участников, в том числе представители национальных и региональных организаций по защите растений, международных организаций и представительств ФАО по всему миру также уделяют внимание:

Программе Международного года здоровья растений, объявленной Генеральной Ассамблеей ООН на 2020 год.

«Несмотря на растущее воздействие вредных организмов растений, ресурсов для решения этой проблемы недостаточно. На заседании КФМ будет обсуждаться, как Международный год здоровья растений может спровоцировать глобальное сотрудничество, взаимодействие и осведомленность в поддержку политики в области здоровья растений на всех уровнях, что внесет значительный вклад в Повестку дня в области устойчивого развития на период до 2030 года », - сказал Цзинюань Ся, секретарь МККЗР.

Стандарты товаров и пути следования в поддержку установления основных правил для стран, чтобы начать торговлю, также с целью создания новых возможностей для развивающихся стран.

Рекомендации по технологиям высокопроизводительного секвенирования (HTS), которые находятся на ранних стадиях разработки, для обнаружения регулируемых вредных организмов или ранее неизвестных вредных организмов, таких как новые вирусы, поражающие растения маниоки. Хотя технологии HTS открывают возможности для скрининга растений и растительных продуктов быстрее и надежнее, чем традиционные методы диагностики, они также сопряжены с проблемами, которые определены и решены в рекомендациях.

Способы снижения риска заражения вредителями растений при их транспортировке в морских контейнерах.

На сегодняшний день КФМ приняла более 100 международных стандартов по фитосанитарным мерам (МСФМ), охватывающих все области карантина растений. .

документов - Лаборатория диагностики растений

Приносим извинения за неудобства, но страница, к которой вы пытались получить доступ, находится не по этому адресу. Вы можете воспользоваться приведенными ниже ссылками, чтобы найти то, что вы ищете.

Если вы уверены, что имеете правильный веб-адрес, но столкнулись с ошибкой, пожалуйста, связаться с Администрацией сайта.

Спасибо.

Возможно, вы искали…

Документы
общие-ND-болезни растений.pdf
.

Вредители и болезни растений: ФАО в чрезвычайных ситуациях

Трансграничные вредители и болезни растений поражают продовольственные культуры, нанося значительный ущерб фермерам и угрожая продовольственной безопасности.

В последние годы резко возросло распространение трансграничных вредителей и болезней растений. Свою роль сыграли глобализация, торговля и изменение климата, а также снижение устойчивости производственных систем из-за десятилетий интенсификации сельского хозяйства.

Трансграничные вредители и болезни растений могут легко распространяться в несколько стран и достигать масштабов эпидемии. Вспышки и вспышки болезней могут нанести огромный ущерб урожаю и пастбищам , угрожая средствам к существованию уязвимых фермеров, а также продовольственной безопасности и безопасности питания миллионов людей одновременно.

Саранча, совка, плодовые мухи, болезни бананов, маниока и пшеничная ржавчина относятся к числу наиболее разрушительных трансграничных вредителей и болезней растений. Вредители и болезни растений распространяются тремя основными путями:

  • торговля или другое перемещение людей в результате миграции
  • экологические факторы - погода и переносимые ветром
  • насекомые или другие переносимые переносчиками инфекции - патогены

болезни, вызванные вирусом маниока

Cassava Mosaic и Brown Streak Вирусные заболевания продолжают поражать основную продовольственную культуру - маниоку - во всем районе Великих озер в Восточной и Южной Африке.В Африке около 70 миллионов человек зависят от маниоки как основного источника пищи, из расчета более 500 ккал в день на человека.

Маниока производится в основном мелкими землевладельцами на маргинальных и субмаргинальных землях влажных и полувлажных тропиков. Он эффективен в производстве углеводов, адаптирован к широкому спектру окружающей среды и устойчив к засухе и кислым почвам.

Рамки стратегической программы ФАО «Болезни маниока в центральной, восточной и южной частях Африки» (CaCESA) помогают уязвимым группам населения, зависящим от маниока, посредством более эффективного контроля и борьбы с вредителями и болезнями в центральных, восточных и южных регионах Африки.ФАО оказывает техническую помощь национальным учреждениям в разработке эффективных подходов к надзору, комплексных процедур управления, обучения фермеров и наращивания потенциала. Инициативы ФАО способствуют внедрению комплексных подходов, укреплению связей между заинтересованными сторонами и развитию регионального сотрудничества.

Пустынная саранча

Пустынная саранча мигрирует стаями через континенты и представляет собой потенциальную угрозу средствам к существованию одной десятой мировой популяции. Этот вредитель представляет серьезную угрозу для сельскохозяйственного производства в Африке, на Ближнем Востоке и в Юго-Западной Азии.Саранча может съедать растения своей массой (около 2 граммов) каждый день. Это означает, что один миллион саранчовых может съедать около одной тонны пищи каждый день, а самые большие стаи могут потреблять более 100 000 тонн каждый день, или достаточно, чтобы прокормить десятки тысяч людей в течение одного года.

В 2012 году угроза пустынной саранчи в Сахеле была контролирована благодаря своевременным взносам в размере 8,2 миллиона долларов США и десятилетию укрепления национального потенциала и региональной координации в рамках Системы предупреждения чрезвычайных ситуаций ФАО (EMPRES) через Комиссию ФАО по контролю пустынная саранча в Западном регионе ( CLCPRO ).

Информационная служба пустынной саранчи ФАО отслеживает ситуацию с саранчой и обеспечивает раннее предупреждение странам и донорам на постоянной основе. Посредством Системы предупреждения чрезвычайных ситуаций ФАО (EMPRES) и трех региональных саранчовых комиссий, национальный потенциал в области раннего предупреждения, раннего реагирования и планирования действий в чрезвычайных ситуациях постоянно укрепляется, чтобы можно было лучше управлять чрезвычайными ситуациями с саранчой, а частоту и продолжительность нашествия пустынной саранчи можно было сократить. .

Ржавчина пшеничная

Болезни ржавчины пшеницы с непрерывной эволюцией новых патотипов и переносимой по воздуху природы представляют серьезную угрозу производству пшеницы во всем мире.Их влияние более заметно в основных регионах выращивания пшеницы, включая Восточную Африку, Северную Африку, Ближний Восток и Азию. По оценкам, 37% мировой пшеницы находится под угрозой потенциальных эпидемий желтой, стеблевой или листовой ржавчины.

ФАО продвигает и поддерживает глобальные усилия по мониторингу и борьбе с болезнями пшеничной ржавчины - в качестве члена Глобальной инициативы Borlaug по ржавчине. ФАО оказывает техническую поддержку странам, подверженным риску эпидемии ржавчины. Помощь ФАО включает в себя наращивание потенциала, наблюдение и мониторинг, семеноводческие системы, планирование на случай непредвиденных обстоятельств, укрепление связей между учреждениями и заинтересованными сторонами, усиление связей между исследованиями, распространением знаний и фермерами, обучение сотрудников и фермеров и реагирование на чрезвычайные ситуации, где это необходимо.

.

Распознавание болезней растений на основе глубоких нейронных сетей по классификации изображений листьев

Последнее поколение сверточных нейронных сетей (CNN) достигло впечатляющих результатов в области классификации изображений. Эта статья посвящена новому подходу к разработке модели распознавания болезней растений, основанной на классификации изображений листьев с использованием глубоких сверточных сетей. Новый способ обучения и используемая методология позволяют быстро и легко внедрить систему на практике.Разработанная модель способна распознавать 13 различных типов болезней растений по здоровым листьям с возможностью отличать листья растений от окружающей их среды. По нашим данным, этот метод распознавания болезней растений предложен впервые. Все основные шаги, необходимые для реализации этой модели распознавания болезней, полностью описаны в документе, начиная со сбора изображений для создания базы данных, оцененной экспертами в области сельского хозяйства. Caffe, структура глубокого обучения, разработанная Berkley Vision and Learning Center, использовалась для выполнения глубокого обучения CNN.Экспериментальные результаты на разработанной модели достигли точности от 91% до 98%, для испытаний отдельных классов в среднем 96,3%.

1. Введение

Проблема эффективной защиты растений от болезней тесно связана с проблемами устойчивого сельского хозяйства и изменения климата [1]. Результаты исследований показывают, что изменение климата может изменить стадии и темпы развития патогенов; он также может изменять резистентность хозяина, что приводит к физиологическим изменениям взаимодействия хозяин-патоген [2, 3].Ситуация осложняется еще и тем, что сегодня болезни передаются по всему миру легче, чем когда-либо прежде. Новые болезни могут возникать в местах, где они ранее не были идентифицированы и, по сути, там, где нет местных специалистов для борьбы с ними [4–6].

Неопытное использование пестицидов может вызвать развитие долгосрочной устойчивости патогенов, серьезно снижая способность сопротивляться. Своевременная и точная диагностика болезней растений - одна из основ точного земледелия [7].Крайне важно предотвратить ненужную трату финансовых и других ресурсов, тем самым достигнув более здорового производства, путем решения долгосрочной проблемы развития устойчивости к патогенам и смягчения негативных последствий изменения климата.

В этой изменяющейся среде правильное и своевременное выявление болезней, включая раннюю профилактику, никогда не было так важно. Выявить патологии растений можно несколькими способами. Некоторые заболевания не имеют видимых симптомов или эффект становится заметным слишком поздно, чтобы действовать, и в таких ситуациях обязателен сложный анализ.Однако большинство болезней проявляются в видимом спектре, поэтому осмотр невооруженным глазом квалифицированного специалиста является основным методом, принятым на практике для обнаружения болезней растений. Для точной диагностики болезней растений патолог растений должен обладать хорошими наблюдательными навыками, чтобы можно было идентифицировать характерные симптомы [8]. Вариации симптомов, на которые указывают больные растения, могут привести к неправильному диагнозу, поскольку садоводы-любители и любители могут столкнуться с большими трудностями при его определении, чем профессиональный патолог.Автоматизированная система, предназначенная для выявления болезней растений по внешнему виду и визуальным признакам, может оказать большую помощь любителям садоводства, а также обучить профессионалов в качестве системы проверки в диагностике болезней.

Достижения в области компьютерного зрения открывают возможность для расширения и совершенствования практики точной защиты растений и расширения рынка приложений компьютерного зрения в области точного земледелия.

Использование общих методов обработки цифровых изображений, таких как анализ цвета и пороговая обработка [9], использовалось с целью обнаружения и классификации болезней растений.

В настоящее время для обнаружения болезней растений используются различные подходы, наиболее распространенными из которых являются искусственные нейронные сети (ИНС) [10] и машины опорных векторов (SVM) [11]. Они сочетаются с различными методами предварительной обработки изображений в пользу лучшего извлечения признаков.

В машинном обучении и когнитивной науке ИНС - это парадигма обработки информации, которая была основана на том, как биологические нервные системы, такие как мозг, обрабатывают информацию. Мозг состоит из большого количества тесно взаимосвязанных нейронов, работающих вместе для решения конкретных задач.

Искусственный нейрон - это обрабатывающий элемент с множеством входов и одним выходом. Хотя искусственные нейроны могут иметь много выходов, будут рассматриваться только те, у которых ровно один выход. Их входы также могут принимать любое значение от 0 до 1. Кроме того, нейрон имеет веса для каждого входа и общее смещение.

Веса - это действительные числа, выражающие важность соответствующих входов для выхода. Смещение используется для управления тем, насколько легко нейрон получает выход 1. Для нейрона с действительно большим смещением легко вывести 1, но когда смещение очень отрицательное, вывести 1 сложно.

Выход нейрона не равен 0 или 1. Вместо этого он равен, где называется передаточной функцией. Есть разные типы передаточной функции: ступенчатая, линейная, сигмовидная и так далее. Гладкость означает, что небольшие изменения весов и смещения будут производить небольшое изменение выходного сигнала нейрона. Небольшое изменение выходного сигнала аппроксимируется: В основном, небольшое изменение веса или смещения вызывает небольшое соответствующее изменение выходного сигнала сети (рис. 1).


Нейронные сети, с их выдающейся способностью извлекать значение из сложных или несовершенных данных, могут применяться для извлечения закономерностей и выявления тенденций, которые слишком сложно заметить людям или компьютерным методам.Другими преимуществами ИНС являются адаптивное обучение, самоорганизация, операции в реальном времени и т. Д.

Если говорить об архитектуре, то есть две основные категории ИНС: ИНС с прямой связью, где выход любого уровня вряд ли повлияет на тот же самый уровень, и ИНС с обратной связью, где сигналы распространяются в обоих направлениях, включая петли в сети.

Метод, описанный в этой статье, представляет собой новый подход к обнаружению болезней растений с использованием глубокой сверточной нейронной сети, обученной и настроенной для точного соответствия базе данных листьев растений, собранной независимо для различных болезней растений.Достоинства и новизны разработанной модели заключаются в ее простоте; здоровые листья и фоновые изображения соответствуют другим классам, что позволяет модели отличать больные листья от здоровых или от окружающей среды с помощью глубокого CNN.

Остальная часть документа организована следующим образом: Раздел 2 представляет соответствующую работу, Раздел 3 представляет методологию, Раздел 4 представляет достигнутые результаты и соответствующее обсуждение, и, наконец, Раздел 5 содержит наши выводы.

2.Сопутствующая работа

Реализация соответствующих стратегий управления, таких как применение фунгицидов, применение химикатов для конкретных болезней, а также борьба с переносчиками болезней посредством применения пестицидов, может привести к ранней информации о здоровье сельскохозяйственных культур и обнаружении болезней. Это может облегчить борьбу с болезнями и повысить производительность. В [12] авторы представляют, рассматривают и признают потребность в разработке быстрого, экономичного и надежного датчика для мониторинга состояния здоровья, который способствует развитию сельского хозяйства.Они описали используемые в настоящее время технологии, которые включают в себя методы обнаружения болезней растений на основе спектроскопии и визуализации, а также на основе летучих профилей с целью разработки наземной сенсорной системы для помощи в мониторинге здоровья и болезней растений в полевых условиях.

После анализа их работы и анализа, представленного авторами [13–16], было решено использовать метод распознавания болезней обработки изображений среди других подходов, обычно используемых для диагностики болезней растений, например, двухцепочечной рибонуклеиновой кислоты (РНК ) анализ, зонды нуклеиновых кислот и микроскопия.

В настоящее время используются многочисленные процедуры для обнаружения болезней растений с применением компьютерного зрения. Один из них - это обнаружение болезней путем выделения цветных признаков, как представили авторы в [17]. В этой статье в исследовании использовались цветовые модели YcbCr, HSI и CIELB; в результате пятна болезни были успешно обнаружены, и на них не повлиял шум от различных источников, таких как вспышка камеры.

Кроме того, обнаружение болезней растений может быть достигнуто путем извлечения признаков формы.Патил и Бодхе применили эту технику для обнаружения болезней в листьях сахарного тростника, где они использовали пороговую сегментацию для определения площади листа и порогового значения треугольника для площади поражения, получив в заключительных экспериментах среднюю точность 98,60% [18].

Кроме того, функция извлечения текстуры может использоваться для обнаружения болезней растений. Патил и Кумар предложили модель для обнаружения болезней растений с использованием таких характеристик текстуры, как инерция, однородность и корреляция, полученных путем вычисления матрицы совпадения уровней серого на изображении [19].В сочетании с экстракцией цвета они экспериментировали по выявлению болезней на листьях кукурузы.

Сочетание всех этих функций обеспечивает надежный набор функций для улучшения изображений и лучшей классификации. В [20] авторы представили обзор хорошо известных традиционных методов выделения признаков. В связи с быстрым прогрессом науки об искусственном интеллекте (ИИ) работа в этой статье в основном сосредоточена на применении этих методологий и техник.

Есть несколько подходов, которые применяют прямое распространение нейронных сетей, состоящих из одного входа, одного выхода и одного скрытого слоя, для нужд идентификации видов листьев, вредителей или болезней; эта модель была предложена авторами в [21].Они разработали программную модель, чтобы предложить меры по борьбе с вредителями или болезнями сельскохозяйственных культур.

Другой метод, предложенный авторами в [22], включает в себя функции, извлеченные с помощью оптимизации роя частиц (PSO) [23] и прямой нейронной сети в направлении определения поврежденного пятна на листе хлопка и повышения точности системы с конечным результатом. общая точность 95%.

Кроме того, обнаружение и дифференциация болезней растений может быть достигнуто с помощью алгоритмов машины опорных векторов.Этот метод был реализован для болезней сахарной свеклы и представлен в [24], где, в зависимости от типа и стадии заболевания, точность классификации составляла от 65% до 90%.

Аналогичным образом существуют методы, сочетающие извлечение признаков и ансамбль нейронных сетей (NNE) для распознавания болезней растений. Благодаря обучению определенного количества нейронных сетей и последующему объединению их результатов, NNE предлагает лучшее обобщение способности к обучению [25]. Такой метод был реализован только для распознавания болезней чайного листа с точностью финального тестирования 91% [26].

Другой подход, основанный на изображениях листьев и использующий ИНС в качестве метода автоматического обнаружения и классификации болезней растений, был использован в сочетании со средствами в качестве процедуры кластеризации, предложенной авторами в [27]. ИНС состояла из 10 скрытых слоев. Количество выходов составило 6, что соответствует количеству классов, представляющих пять болезней вместе со случаем здорового листа. В среднем точность классификации с использованием этого подхода составила 94,67%.

В работах [28–31] авторы представили методы глубокого обучения для решения самых сложных задач в различных областях исследований в области биологии, биоинформатики, биомедицины, робототехники и 3D-технологий.

В нашем исследовании мы используем метод глубокого обучения для распознавания болезней растений, движимый развитием методов глубокого обучения и их применением на практике. Обширный поиск современной литературы не дал никаких доказательств того, что исследователи использовали подход глубокого обучения для распознавания болезней растений по изображениям листьев. Наш метод распознавания с использованием глубокого CNN представлен в следующих разделах.

3. Материалы и методы

Вся процедура разработки модели для распознавания болезней растений с использованием глубинной CNN описана более подробно.Полный процесс разделен на несколько необходимых этапов в подразделах ниже, начиная со сбора изображений для процесса классификации с использованием глубоких нейронных сетей.

3.1. Набор данных

Соответствующие наборы данных требуются на всех этапах исследования распознавания объектов, начиная с этапа обучения и заканчивая оценкой производительности алгоритмов распознавания. Все изображения, собранные для набора данных, были загружены из Интернета и подвергнуты поиску по болезням и названиям растений в различных источниках на разных языках, таких как латынь, английский, немецкий, сербский и венгерский.Изображения в наборе данных были сгруппированы в пятнадцать различных классов. Тринадцать классов представляли болезни растений, которые можно было определить визуально по листьям.

Чтобы отличить здоровые листья от больных, в набор данных был добавлен еще один класс. Он содержит только изображения здоровых листьев. Дополнительный класс в наборе данных с фоновыми изображениями был полезен для получения более точной классификации. Таким образом, глубокая нейронная сеть может быть обучена отличать листья от окружающей среды.Фоновые изображения были взяты из набора фоновых данных Стэнфордского университета [32].

На этом этапе все повторяющиеся изображения, взятые из разных источников, были удалены разработанным скриптом python с применением процедуры сравнения. Скрипт удалил дубликаты, сравнив метаданные изображений: имя, размер и дату. После автоматического удаления изображения были многократно оценены экспертами-людьми.

Следующим шагом было пополнение набора данных расширенными изображениями. Основная цель представленного исследования - научить сеть изучать особенности, которые отличают один класс от других.Таким образом, при использовании большего количества расширенных изображений шанс для сети изучить соответствующие функции был увеличен. Наконец, была создана база данных, содержащая 30880 изображений для обучения и 2589 изображений для проверки. Процесс дополнения описан в разделе 3.3.

В таблице 1 показаны все поддерживаемые заболевания вместе с количеством исходных изображений и количеством расширенных изображений для каждого класса, используемого в качестве набора данных для обучения и проверки для модели классификации болезней.


Класс Количество исходных изображений Общее количество изображений: исходных и дополненных Количество изображений из набора данных, используемых для проверки

( ) Здоровый лист 565 4523 331
() Груша, вишня и персик, пористость 265 2124 152
() Персик, мучнистая роса 108 1296 90
() Персик, Taphrina deformans 152 1552 156
() Яблоко, груша, Erwinia amylovora 232 2368 205
() Яблоко, груша, Вентурия 183 2200 151
() Яблоко, мучнистая роса 120 1440 118
() Яблоко, ржавчина 163 1960 163
() Пара, Gymnosporangium sabinae 267 2142 185
() Пара, серая пятнистость листьев 122 1464 198
() Виноградная лоза, увядание 287 2300 114
() Виноградная лоза, клещи 250 2000 230
() Виноградная лоза, мучнистая роса 237 1900 183
() Виноградная лоза, ложная мучнистая роса 297 2376 201
() Фоновые изображения 1235 1235 112

4483 9 0272 30880 2589

3.2. Предварительная обработка и маркировка изображений

Изображения, загруженные из Интернета, были в различных форматах, с разным разрешением и качеством. Чтобы получить лучшее извлечение признаков, окончательные изображения, предназначенные для использования в качестве набора данных для классификатора глубоких нейронных сетей, были предварительно обработаны для обеспечения согласованности. Кроме того, процедура предварительной обработки изображений включала обрезку всех изображений вручную, создавая квадрат вокруг листьев, чтобы выделить интересующую область (листья растений).На этапе сбора изображений для набора данных изображения с меньшим разрешением и размером менее 500 пикселей не рассматривались как допустимые изображения для набора данных. Кроме того, только изображения с более высоким разрешением интересующей области были отмечены как подходящие кандидаты для набора данных. Таким образом было гарантировано, что изображения содержат всю необходимую информацию для изучения функций. Размер изображений, используемых для набора данных, был изменен, чтобы сократить время обучения, которое было автоматически вычислено написанным сценарием на Python с использованием инфраструктуры OpenCV [33].

Многие ресурсы можно найти в Интернете, но их актуальность зачастую ненадежна. В интересах подтверждения точности классов в наборе данных, изначально сгруппированных по поиску по ключевым словам, специалисты по сельскому хозяйству изучили изображения листьев и пометили все изображения соответствующими аббревиатурами. Как известно, важно использовать точно классифицированные изображения для набора данных для обучения и проверки. Только так можно разработать подходящую и надежную модель обнаружения.На этом этапе из набора данных были удалены дублированные изображения, оставшиеся после начальной итерации сбора и группировки изображений в классы, описанные в разделе 3.1.

3.3. Процесс увеличения

Основная цель применения аугментации - увеличить набор данных и внести легкие искажения в изображения, которые помогают уменьшить переобучение на этапе обучения. В машинном обучении, а также в статистике переобучение возникает, когда статистическая модель описывает случайный шум или ошибку, а не основную взаимосвязь [34].Увеличение изображения включало один из нескольких методов преобразования, включая аффинное преобразование, преобразование перспективы и простые повороты изображения. Аффинные преобразования применялись для выражения сдвигов и вращений (линейные преобразования и сложение векторов, соответственно) [35], где все параллельные линии в исходном изображении по-прежнему параллельны в выходном изображении. Чтобы найти матрицу преобразования, потребовались три точки из исходного изображения, а также их соответствующие местоположения в выходном изображении.Для перспективного преобразования требовалась матрица преобразования. Прямые линии останутся прямыми даже после преобразования. Для процесса увеличения были применены простые повороты изображения, а также повороты по разным осям на разную степень.

Преобразования, применяемые в процессе увеличения, показаны на рисунке 2, где первая строка представляет результирующие изображения, полученные путем применения аффинного преобразования к одному изображению; вторая строка представляет изображения, полученные в результате преобразования перспективы, относительно входного изображения, а последняя строка визуализирует простое вращение входного изображения.Процесс увеличения был выбран в соответствии с потребностями; листья в естественной среде могут различаться в визуальной перспективе.

На этом этапе, чтобы автоматизировать процесс увеличения количества изображений из набора данных, было разработано конкретное приложение на C ++ с использованием библиотеки OpenCV [36], с возможностью изменения параметров преобразования во время выполнения, что улучшает гибкость.

3.4. Обучение нейронной сети

Обучение глубокой сверточной нейронной сети для создания модели классификации изображений из набора данных, описанного в разделе 3.1 был предложен. Существует несколько хорошо известных современных фреймворков глубокого обучения, таких как библиотека Python Theano [37] и библиотека машинного обучения, расширяющая Lua, Torch7 [38]. Кроме того, существует Caffe, среда глубокого обучения с открытым исходным кодом, разработанная BVLC [39], содержащая эталонную предварительно обученную модель CaffeNet. Для целей данного исследования использовалась эта структура, а также набор весов, полученных на очень большом наборе данных ImageNet [40].

Caffe подходит как для исследовательских экспериментов, так и для промышленного внедрения.Ядро фреймворка разработано на C ++ и предоставляет интерфейсы командной строки, Python и MATLAB. Интеграция Caffe с библиотекой cuDNN ускоряет модели Caffe [41, 42]. CaffeNet - это глубокая CNN, которая имеет несколько уровней, которые постепенно вычисляют характеристики из входных изображений [43]. В частности, сеть содержит восемь обучающих слоев, пять сверточных и три полносвязных уровня [44].

Архитектура CaffeNet считается отправной точкой, но модифицирована и скорректирована для поддержки наших 15 категорий (классов).Последний слой был изменен, и выход слоя softmax был параметризован в соответствии с требованиями представленного исследования.

Сверточный слой является важным строительным блоком сверточной нейронной сети. Параметры слоя состоят из набора обучаемых ядер, которые обладают небольшим воспринимающим полем, но простираются на всю глубину входного объема [45].

Каждый сверточный слой имеет карты одинакового размера, и, и ядро ​​размера, и сдвигается по определенной области входного изображения.Коэффициенты пропуска и определяют, сколько пикселей фильтр / ядро ​​пропускает в - и -направлении между последующими свертками [46]. Размер выходной карты может быть определен как где указывает слой. Каждая карта в слое связана с большинством карт в слое.

Выпрямленные линейные единицы (ReLU) используются в качестве замены насыщающих нелинейностей. Эта функция активации адаптивно изучает параметры выпрямителей и повышает точность при незначительных дополнительных вычислительных затратах [47]. Он определяется как где представляет собой вход нелинейной функции активации на th канале.

Deep CNN с ReLU обучается в несколько раз быстрее. Этот метод применяется к выходным данным каждого сверточного и полносвязного слоя.

Несмотря на вывод, нормализация ввода не требуется; он применяется после нелинейности ReLU после первого и второго сверточных слоев, потому что он снижает частоту появления первых 1 и топ-5 ошибок. В CNN нейроны внутри скрытого слоя сегментируются на «карты характеристик». Нейроны на карте признаков имеют одинаковый вес и смещение. Нейроны на карте признаков ищут одну и ту же особенность.Эти нейроны уникальны, поскольку они связаны с разными нейронами нижнего слоя. Таким образом, для первого скрытого слоя нейроны на карте функций будут подключены к разным областям входного изображения. Скрытый слой сегментируется на карты функций, где каждый нейрон на карте функций ищет одну и ту же функцию, но в разных положениях входного изображения. По сути, карта характеристик - это результат применения свертки к изображению. Объекты каждого слоя отображаются в отдельном блоке, где визуализация представляет собой наиболее сильную активацию предоставленной карты объектов, начиная с первого сверточного слоя, где объекты переходят от отдельных пикселей к простым линиям, до пятого сверточного слоя, где изучены такие функции, как формы и отображаются определенные части листьев (Рисунок 3).

Ан

.

Смотрите также

НАС УЖЕ 77 321

Подпишись на обновления сайта! Получай статьи на почту: