Recognition of field maize leaf diseases based on improved regional convolutional neural network
-
摘要:目的
引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。
方法在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。
结果在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。
结论将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。
Abstract:ObjectiveTo realize intelligent diagnosis of maize leaf diseases with similar spots and complicated background in real field conditions by introducing and improving a regional convolutional neural network algorithm, Faster R-CNN.
MethodWe obtained 1 150 maize leaf images with complicated background for nine kinds of common diseases from maize field and public dataset websites. After manual annotation of the original images, offline data augmentation was used to enlarge the image data. The Faster R-CNN algorithm was introduced and improved for adaptive application by adding batch normalization processing layer and introducing center cost function to improve the identification accuracy of similar disease spots. We used the stochastic gradient descent algorithm to train and optimize this model. Four pre-trained convolution structures for feature extraction were selected and compared in Faster R-CNN training and testing to get the most optimal model. During the test, the trained model was used to select test sets under different weather conditions for comparison, and improved Faster R-CNN was also compared with unimproved Faster R-CNN and SSD algorithm.
ResultIn the framework of improved Faster R-CNN, VGG16 convolutional feature extraction network had better performance than others. The testing image data set was used to verify the model performance, and the average precision of final recognition result was 0.971 8, the average recall rate was 0.971 9, F1 was 0.971 8, and the overall average accuracy reached 97.23%. The recognition effect under sunny conditions was better than that of cloudy conditions. The average precision of improved Faster R-CNN increased by 0.088 6 and the detection time per image decreased by 0.139 s compared with unimproved Faster R-CNN algorithm. The average precision of proposed method was 0.0425 higher than that of SSD algorithm, and the detection time per image decreased by 0.018 s. The results indicated that the improved Faster R-CNN algorithm was superior to unimproved Faster R-CNN and SSD algorithm in the field of intelligent detection of maize diseases under complex field conditions.
ConclusionIt is feasible to introduce improved Faster R-CNN algorithm into the intelligent diagnosis of maize diseases under complex field conditions, and it has higher accuracy and faster detection speed, which can avoid the subjectivity of traditional artificial identification. The proposed method lays a foundation for precise prevention and control of maize disease in field environment.
-
丛枝菌根真菌(Arbuscular mycorrhizal fungi,AMF)是属于球囊霉门Glomeromycota的专性共生微生物,可以与陆地80%以上的植物根系共生。AMF自身生长所需的碳源完全依赖宿主植物,作为回馈,它们可以帮助宿主吸收矿质营养,提高宿主植物对生物及非生物胁迫的抗性[1]。研究发现AMF对植物种群、群落甚至是草地生态系统都有重要的调控作用[2-4]。
高寒草甸是青藏高原东南部主要的草地类型[5],其主要建群植物为莎草科嵩草属的小嵩草Kobresia pygmaea、矮嵩草K. humilis、线叶嵩草K. capillifolia和藏嵩草K. tibetica等[6-7],因此也称作高寒嵩草草甸。莎草科植物一直被认为是非丛枝菌根植物,但有研究发现在青藏高原AMF可以与嵩草属植物共生[8-9],并对土壤团聚体的形成起重要作用[10]。基于AMF在草地生态系统中的重要性以及高寒嵩草草甸在青藏高原草地中所占的比例,研究高寒嵩草草甸生态系统中AMF的群落构建及动态对深入理解青藏高原草地土壤−植被相互作用具有重要意义。
近几十年来,受全球气候变暖和人类活动加剧的影响,青藏高原约1/3的草地发生了不同程度的退化[11]。施肥是退化草地恢复的有效方式之一,目前关于养分添加(主要是氮和磷)能否及如何影响高寒草甸AMF群落的研究相对稀少,并且仅限于海拔不超过3 500 m的区域[12-14],不能代表海拔为3 200~5 200 m的青藏高原高寒嵩草草甸[7]。目前基于传统形态鉴别[15]和分子测序[16]的研究表明,随海拔提升,AMF侵染率、孢子数量和物种丰度下降,AMF群落组成也随之变化。不同海拔高度AMF群落对施肥的响应可能不同,为了更全面地认识高寒草甸,有必要选择海拔更高的区域进行研究。
本试验选取海拔约4 500 m的高寒嵩草草甸施肥样地,研究不同氮、磷添加对青藏高原高寒嵩草草甸AMF群落的影响及潜在驱动因子。本研究的核心科学问题为探究高寒嵩草草甸根系AMF群落对氮、磷添加的响应机制,及在添加氮、磷条件下主导AMF群落变化的因素。
1. 研究区概况和方法
1.1 研究区概况
研究样地位于中国科学院青藏高原研究所那曲生态环境观测站(E91°12ʹ~93°02ʹ,N30°31ʹ~31°55ʹ),属于西藏那曲东南部,海拔4 480 m,年平均气温−2.1 ℃,年平均降水406.2 mm,高原山地气候,土壤类型为始成土,主要植物种类有小嵩草、矮嵩草和藏薹草Carex thibetica等。
1.2 样地设计及取样
2013年设置了48个5 m × 5 m的小区,完全随机设计,3个施氮梯度,4个施磷梯度,4次重复。施用的氮肥为尿素,各处理每年施用量分别为0、7.5、15.0 g·m−2,分别记为N0、N1和N2。施用的磷肥为过磷酸钙,有效成分为P2O5,各处理每年P2O5施用量分别为0、7.5、15.0、30.0 g·m−2,分别记为P0、P1、P2和P3。每年7月末施肥1次。
2016年8月18日,在每个小区随机挑选1个植被覆盖度相似的点作为样点。用土钻从每个样点均取深20 cm、直径8 cm的土块。将土块过2 mm筛,去除土和石块,将保留的根系装入自封袋作为1份样品,−20 ℃保存。另取部分过筛的土装入自封袋,4 ℃保存。共计取得48份根系样品和48份土壤样品,冷藏运送至北京林业大学草地资源与生态实验室。在进行后续试验分析前,将所有根系样品室温解冻,然后用清水洗净。
1.3 土壤化学成分分析
取适量土壤样品进行土壤化学成分分析。土壤有机碳用重铬酸钾滴定法[17]测定;土壤全氮用凯氏定氮法[18]测定;土壤铵态氮和硝态氮均用1 mol·L−1的氯化钾溶液浸提,然后用紫外分光光度法[19]测定;土壤全磷和有效磷分别用高氯酸−硫酸和碳酸氢钠浸提,并用钼−锑比色法[20-21]测定;pH在水土质量比为2.5︰1的条件下测量。
1.4 丛枝菌根真菌侵染率测定
根据Brundrett等[22-23]的方法,先从每份根系样品中剪取若干长1.5 cm的幼嫩根段,用台盼蓝染色。染色后在每份样品中挑出30个根段,切成1 cm根段,然后将每10个根段平行地放置在载玻片上,滴加乳酸甘油制片,每份样品制作3个玻片。在200×显微镜下根据McGonigle等[24]的方法测定AMF侵染率。
1.5 丛枝菌根真菌DNA提取、扩增及测序
在每份根系样品中,剪取40根长1 cm的幼嫩根段,用CTAB法[25]提取其中的DNA。提取出的DNA用无菌去离子水稀释20倍作为DNA原液,然后进行巢式PCR扩增。2轮PCR的反应体系均为25 μL:2 × Pfu PCR MasterMix (KP201) 12.5 μL,无菌去离子水8.5 μL,DNA模板2 μL以及2个引物各1 μL。第1轮PCR使用的引物为NS31(5ʹ-TTGGAGGGCAAGTCTGGTGCC-3ʹ)和AML2(5ʹ- GAACCCAAACACTTTGGTTTCC-3ʹ),反应条件:94 ℃预热3 min;94 ℃变性45 s,53 ℃退火45 s,72 ℃延伸45 s,35个循环;72 ℃延伸10 min。第1轮PCR的产物稀释至1/10作为第2轮PCR的模板。第2轮PCR使用的引物为AMV4.5NF(5ʹ-AAGCTCGTAGTTGAATTTCG-3ʹ)和AMDGR(5ʹ-CCCAACTATCCCTATTAATCAT-3ʹ)[26],其中AMDGR的5ʹ端带有由12个碱基组成的barcode。第2轮PCR反应条件与第1轮PCR相同,所得的产物用10 g·L−1 2 × TAE的琼脂糖凝胶进行电泳(电压120 V,时间30 min)检测。若样品有目标DNA条带(约280 bp)检出,取4 μL第2轮PCR模板用2倍的反应体系进行第2轮PCR。若样品无目标条带检出,用该样品的DNA原液重复巢式PCR,若2次重复均无目标条带,则去除该样品。根据此方法N1P1处理中的1个样品无条带,去除后剩余47个样品。切取含目标条带的凝胶,使用DNA胶纯化试剂盒(Axygen,美国)进行DNA纯化。纯化后的DNA使用Nanodrop 8000超微量分光光度计测定浓度,根据测定的浓度用移液枪从每个样品中吸取含100 ng DNA的溶液混合至1个离心管,送至中国科学院成都生物研究所在Illumina Miseq平台进行高通量测序。
1.6 生物信息学分析
测序得到的原始数据使用QIIME[27]进行分析。首先对数据进行质量控制,最大错误期望=0.5,最短序列长度=200,然后依次去除重复、chimeras和singletons。使用UPARSE-OTU算法和Silva数据库,依据97%的相似度阈值划分代表OTU并制作OTU表。在Excel中除去不属于球囊霉门、出现的样本数少于3以及序列数小于总序列量0.01%的OTU,并删除序列数小于总序列1%的样品以降低误差。对所有样品根据最小的样本序列量进行重新抽样,以减小样本量不同造成的差异。此外,将代表OTU序列上传至NCBI,与GenBank的已有序列进行比对,获得相近的参考序列。使用代表序列和参考序列在MEGA 7中使用p-distance模型,在bootstrap值为1 000下构建邻接树,直观查看代表OTU的系统发生情况。本研究获得的代表OTU序列均上传至欧洲核苷酸档案库,序列号为LR535994~LR536029。
1.7 统计分析
统计OTU数量作为OTU丰度,并计算AMF各科在各样品和各处理中的相对丰度。在R(3.2.2)中使用Vegan包中diversity功能计算每个样品的Shannon多样性指数。
进行方差分析前,将数据进行转换以符合数据分布的正态性和方差同质性。其中,对土壤化学成分、OTU丰度和Shannon多样性指数数据进行对数转换,侵染率和AMF科相对丰度数据作反正弦平方根转换。转换后的数据在JMP 11中进行双因素方差分析,分析氮、磷添加是否显著影响以上数据,具有显著差异(P<0.05)的结果使用Tukey's HSD检验进行多重比较。
在群落分析前,先应用R对OTU−样品矩阵进行Hellinger转换以减少稀有OTU的影响,然后用vegdist功能将矩阵转化为Bray-Curtis矩阵。在R中使用Vegan包中的adonis功能进行PerMANOVA分析,研究施氮、磷和其交互作用对AMF群落组成的影响。将土壤化学成分数据作为环境变量导入R并转化为Euclidean矩阵,与之前的群落矩阵一起进行Mantel分析,以研究土壤化学成分与AMF群落组成的关系。
最后,进行排序分析以研究不同处理AMF的群落分布情况。首先用原始的OTU−样品矩阵进行去趋势对应分析,根据排序轴长结果进一步使用典范对应分析,并用envfit功能进行Monte Carlo检验找出与AMF群落分布有显著相关的环境因子。最终使用ggplot包进行画图,直观显示各处理下AMF群落分布及其和环境因子的关系。
2. 结果与分析
2.1 土壤化学成分
方差分析得出,不同施氮处理铵态氮和硝态氮含量差异均极显著(P<0.001);不同施磷处理全磷和有效磷含量也有极显著(P<0.001)差异;氮、磷添加的交互作用对硝态氮和有效磷含量有显著(P=0.021,P=0.040)影响(表1)。其中,N2处理铵态氮和硝态氮含量高于N0和N1处理;P3处理全磷和有效磷量高于其余施磷处理,P2处理有效磷含量高于P0处理(表2)。氮、磷添加及其交互作用未对土壤有机碳、全氮和pH产生显著影响(表1)。
表 1 不同施肥处理土壤化学成分含量差异显著性分析Table 1. Significance analyzes of soil chemical component content differences in different fertilization treatments指标 Index 氮添加
Nitrogen addition磷添加
Phosphorus addition氮、磷添加交互作用
Interaction between nitrogen and phosphorus additionsF P F P F P 有机碳 Organic carbon 0.610 0.549 0.940 0.431 1.849 0.117 全氮 Total nitrogen 0.737 0.486 0.343 0.794 0.674 0.672 铵态氮 Ammonium nitrogen 15.662 < 0.001 1.094 0.367 1.939 0.105 硝态氮 Nitrate nitrogen 21.780 < 0.001 2.711 0.061 2.964 0.021 全磷全磷 Total phosphorus 0.304 0.740 17.135 < 0.001 0.389 0.881 有效磷 Available phosphorus 0.502 0.610 33.642 < 0.001 2.509 0.040 pH 1.336 0.276 0.329 0.804 0.948 0.473 表 2 不同施肥处理试验样地的土壤化学成分含量1)Table 2. Soil chemical component contents of the experiment field in different fertilization treatments处理 Treatment w/% w/(mg·kg−1) pH N P 有机碳
Organic carbon全氮
Total nitrogen全磷
Total phosphorus铵态氮
Ammonium nitrogen硝态氮
Nitrate nitrogen有效磷
Available phosphorusN0 P0 4.79±0.45a 0.26±0.01a 0.040±0.001cd 2.53±0.77b 7.49±1.43bc 2.72±0.49d 6.74±0.08a P1 3.61±0.79a 0.21±0.06a 0.040±0.006cd 3.91±2.16b 5.23±1.25bc 6.39±2.34cd 6.77±0.11a P2 3.25±0.58a 0.23±0.04a 0.044±0.007abcd 2.06±0.27b 6.26±1.90bc 13.64±7.19bcd 6.66±0.06a P3 3.69±0.65a 0.27±0.09a 0.057±0.012abc 2.15±1.37b 4.67±1.14c 21.78±4.00abc 6.65±0.12a N1 P0 3.59±0.42a 0.22±0.01a 0.038±0.001d 1.83±0.73b 15.32±5.27bc 2.17±1.35d 6.69±0.08a P1 3.35±0.40a 0.24±0.01a 0.046±0.003abcd 2.25±1.07b 6.96±0.95bc 9.73±0.83bcd 6.47±0.15a P2 3.77±0.47a 0.22±0.04a 0.042±0.004bcd 6.07±4.38b 9.00±0.49bc 5.49±2.61d 6.73±0.19a P3 3.83±0.73a 0.24±0.04a 0.060±0.010ab 6.28±5.37b 5.79±0.91bc 26.02±13.21ab 6.67±0.23a N2 P0 2.98±0.32a 0.19±0.01a 0.038±0.003d 27.07±11.00a 35.66±15.70ab 2.28±0.12d 6.64±0.11a P1 3.57±0.94a 0.23±0.08a 0.044±0.004abcd 13.72±9.81ab 24.76±22.05bc 4.54±1.96d 6.61±0.15a P2 3.29±0.39a 0.24±0.05a 0.047±0.003abcd 7.13±0.85b 14.94±3.58bc 11.30±5.63bcd 6.61±0.05a P3 4.24±1.50a 0.23±0.03a 0.060±0.010a 15.41±11.90ab 59.55±23.70a 35.21±5.05a 6.60±0.07a 1)表中数据为平均值±标准差;同列数据后不同小写字母表示差异显著(P < 0.05,Tukey′s HSD法);N0、N1、N2指氮施用量为0、7.5、15.0 g·m −2的处理;P0、P1、P2和P3指磷施用量为0、7.5、15.0、30.0 g·m−2的处理
1) Data in the table were mean value ± standard deviation; Different lowercase letters in the same column indicated significant differences (P<0.05, Tukey′s HSD test); N0, N1, N2 indicated nitrogen application amount 0, 7.5, 15.0 g·m−2; P0, P1, P2, P3 indicated phosphorus application amount 0, 7.5, 15.0, 30.0 g·m−22.2 丛枝菌根真菌侵染率
如图1所示,根系样品AMF侵染率平均值为73.1%。方差分析结果表明,氮、磷的施加及其交互作用对AMF侵染率无显著(P= 0.350,P = 0.119,P = 0.562)影响。
图 1 不同施肥处理下丛枝菌根真菌侵染率N0、N1、N2指氮施用量为0、7.5、15.0 g·m−2的处理;P0、P1、P2和P3指磷施用量为0、7.5、15.0、30.0 g·m−2的处理Figure 1. Arbuscular mycorrhizal fungal colonization rates in different fertilization treatmentsN0, N1, N2 indicated nitrogen application amount 0, 7.5, 15.0 g·m−2; P0, P1, P2, P3 indicated phosphorus application amount 0, 7.5, 15.0, 30.0 g·m−22.3 测序总体结果
测序数据除杂后,剩余43个样品,共获得234 041条AMF序列。每个样品序列数从297至15 397不等。将所有样品重新抽样至样本量为297后,获得36个OTU,每个样品的OTU数量从1至12个不等,平均值为5.6个。根据稀释曲线(图2)可以看出,重新抽样后N0P2、N1P0、N1P3、N2P2和N2P1对应的曲线末端趋于平滑,说明测序深度较为饱和。经比对,所有AMF的OTU分属7个科,其中球囊霉科有27个OTU,10 285条序列,占总序列的80.5%;多孢囊霉科Diversisporaceae有3个OTU,666条序列,占总序列的5.2%;碎球囊霉科Claroideoglomeraceae有2个OTU,146条序列,占总序列的1.1%;无梗囊霉科Acaulosporaceae、原囊霉科Archaeosporaceae、巨孢囊霉科Gigasporaceae和和平囊霉科Pacisporaceae各有1个OTU,序列数分别为441、532、351和350条,共占总序列的13.1%(图3)。根据OTU代表序列和参考序列构建的邻接树如图4所示。
图 2 不同施肥处理下分子测序的稀释曲线N0、N1、N2指氮施用量为0、7.5、15.0 g·m−2的处理;P0、P1、P2和P3指磷施用量为0、7.5、15.0、30.0 g·m−2的处理Figure 2. Rarefaction curve of sequencing samples in different fertilization treatmentsN0, N1, N2 indicated nitrogen application amount 0, 7.5, 15.0 g·m−2; P0, P1, P2, P3 indicated phosphorus application amount 0, 7.5, 15.0, 30.0 g·m−2图 3 不同施肥处理下丛枝菌根真菌各科的相对丰度N0、N1、N2指氮施用量为0、7.5、15.0 g·m−2的处理;P0、P1、P2和P3指磷施用量为0、7.5、15.0、30.0 g·m−2的处理Figure 3. Relative abundance of different arbuscular mycorrhizal fungal families in different fertilization treatmentsN0, N1, N2 indicated nitrogen application amount 0, 7.5, 15.0 g·m−2; P0, P1, P2, P3 indicated phosphorus application amount 0, 7.5, 15.0, 30.0 g·m−2图 4 36个丛枝菌根真菌OTU代表序列及其参考序列构建的邻接树模型:p-distance;Boostrap值:1 000;DQ846895作为outgroupFigure 4. Neighbor-joining tree constructed based on representative sequences of 36 arbuscular mycorrhizal fungal OTUs and their reference sequencesModel: p-distance;Boostrap value: 1 000; DQ846895 was used as an outgroup2.4 氮、磷添加对丛枝菌根真菌群落的影响
方差分析结果显示,氮、磷添加及其交互作用对OTU丰度和Shannon多样性指数无显著影响(图5A、5B)。但施氮对球囊霉科的相对丰度有显著影响(P<0.001),N2处理球囊霉科的相对丰度显著低于N1(图5C)。
图 5 不同施肥处理丛枝菌根真菌OTU丰度、Shannon多样性指数及球囊霉科相对丰度不同柱子上不同大写字母表示在P<0.001水平差异显著(Tukey’ s HSD检验)Figure 5. OTU richness, Shannon diversity index of arbuscular mycorrhizal fungi and relative abundance of Glomeraceae in different fertilization treatmentsDifferent capital letters on different columns indicated significant differences at P<0.001 level (Tukey’ s HSD test)PerMANOVA结果表明氮、磷添加处理及其交互作用对AMF群落组成无显著影响(P = 0.680,P= 0.473,P= 0.589)。Mantel分析结果显示AMF群落组成与有机碳含量和硝态氮含量有显著正相关(r=0.176, P=0.110;r=0.142, P=0.041)关系。此外,Monte Carlo结果表明有机碳、硝态氮、全磷和有效磷含量均对AMF群落结构有显著影响(r=0.04, P=0.001;r=0.327, P=0.013;r=0.185, P=0.025;r=0.188, P=0.020)。这4个环境因子在典范对应分析中对排序结果的解释量为11.70%,第1轴和第2轴的解释量分别为6.13%和2.61%。(图6)。
3. 讨论与结论
在农田和天然草地生态系统中,施加氮和磷会降低AMF侵染率、OTU丰度和多样性,改变根系和根际土壤中AMF的群落结构[28-29]。研究认为出现这种现象的原因是土壤养分的增加使植物更多依靠自身根系去吸收营养,降低对帮助其吸收养分的微生物的依赖[30]。本研究发现,施氮显著提高了土壤中铵态氮和硝态氮的含量,施磷显著增加了土壤中全磷和有效磷的含量,但氮、磷的施加对AMF侵染率、OTU丰度、多样性以及群落组成均无显著影响。因此,本研究的结果与此前在其他生态系统下的研究结果存在差异[28-29],该差异可能是由以下原因造成的。
首先,差异可能是海拔不同造成的。目前相关研究[12-14]的海拔不超过3 500 m,低于本试验样地的海拔4 480 m。海拔会显著影响AMF的群落和功能,Gai等[15]和Shi等[31]通过形态学方法发现不同海拔条件下AMF侵染率、孢子密度以及菌丝密度都会有显著变化;Liu等[16]和Li等[32]通过分子测序手段发现不同海拔条件下AMF群落组成有显著差异。本研究与此前研究的海拔不同,气候、植被及土壤条件都会有不同,进而导致AMF对氮、磷添加的差异性响应。
第二,在高寒地区AMF不仅能帮助植物进行养分吸收,同时也可帮助植物应对环境胁迫。因此即使在施肥条件下植物不需要AMF来帮助其获取养分,还是要与AMF保持共生关系应对胁迫。Xiang等[13]在海拔3 220 m的青藏高原高寒草地施肥3年,发现同时添加氮和磷时AMF的OTU丰度和多样性均显著高于对照,也高于氮、磷单独添加时的水平。Chen等[33]研究认为,虽然在养分充足的条件下,植物在营养吸收上降低了对AMF的依赖,然而,植物依然需要AMF来帮助其对抗环境胁迫,尤其是球囊霉科可以提高宿主抗寒性。在本研究的高寒草甸生态系统中,一方面氮、磷的添加使得植物群落降低了对AMF吸收养分的依赖,另一方面植物群落却增加了依靠AMF来对抗胁迫的需要。因此,2个效应综合使得在氮、磷添加的情况下AMF的OTU丰度、多样性和群落组成未受显著影响。
另一个可能引起差异的原因是样品内及样品间的差异较大,影响了氮、磷添加的效应。从稀释曲线可以看出,个别样品的曲线在终点处仍在上升,说明其测序深度未达到饱和,此时增加取样量可能会有更多的OTU出现。同时,通过典范对应分析图可以直观地发现,N2P3处理3次重复的AMF群落分布距离较大,该处理3次重复的AMF群落的差异是所有处理的重复间差异最大的。基于样本内的误差,本试验结果存在一定限制性。
本研究中,PerMANOVA分析发现,施加氮、磷不影响AMF群落组成,但通过Mantel分析发现AMF群落的组成与有机碳和硝态氮含量有显著的正相关关系。典范对应分析的结果表明有机碳、硝态氮、全磷和有效磷含量与AMF群落的分布有显著的正相关关系,其中有机碳与AMF群落分布的相关性最大。有机碳主要对低磷条件(P0和P1处理)AMF群落有影响,硝态氮、全磷和有机碳主要对高磷条件(P3处理)AMF群落有影响。相关研究也表明,土壤有机质、硝态氮和有效磷均是对高寒草甸AMF群落有显著影响的土壤成分[34-35]。
Zheng等[34]发现施氮能改变AMF群落,但不是通过直接作用,而是间接地通过改变土壤其他成分(如有机碳)和植物群落来影响AMF群落。土壤成分也可以直接或间接地影响微生物群落[36-37]。因此可以解释本研究中施肥未对AMF群落产生影响,但特定的土壤因子与AMF群落分布有显著相关性。
综上所述,基于青藏高原4 500 m海拔高寒草甸的研究发现,氮、磷添加对AMF的侵染率、OTU丰度和多样性无显著影响。该发现回答了本研究要明确的第1个核心科学问题,即青藏高原高寒嵩草草甸根系中的AMF群落不受氮、磷添加的影响,与海拔较低的AMF群落对氮、磷的响应不同;对第2个核心科学问题,影响青藏高原高寒嵩草草甸根系AMF群落的因子主要是有机碳和硝态氮含量,全磷和有效磷含量是次要因子。未来研究还需要系统选取不同海拔的样地,以获取青藏高原不同海拔高寒草甸AMF群落对施肥的响应。另外,在全面剖析AMF群落变化规律及驱动机制的基础上,亟需研究AMF群落变化如何反馈影响地上植被的个体生长与群落动态,探索高寒草地退化及恢复演替中的地下生态过程及机理。
-
图 4 测试集分类结果的混淆矩阵分析
ANTH、TRT、SCR、CR、SLB、PHLS、DLS、PHRS、NLB分别代表炭疽叶斑病、热带锈病、南方锈病、普通锈病、小斑病、叶斑病、条纹病、褐斑病和大斑病;图中颜色较深的对角线的值分别代表每个类别正确分类的数量和召回率
Figure 4. Confusion matrix analysis of the classification results of testing dataset
ANTH, TRT, SCR, CR, SLB, PHLS, DLS, PHRS and NLB represent Anthracnose leaf blight, Tropical rust, Southern corn rust, Common rust, Southern leaf blight, Phaeosp haeria leaf spot, Diplodia leaf streak, Physoderma brown spot and Northern leaf blight respectively; The darker diagonal values in figures represent the number of correct classifications and the recall rate of each category, respectively
表 1 9种病害的图像样本情况
Table 1 Profile of sample images for nine types of diseases
病害名称
Disease name病原学名
Pathogenic name原始样本数
Number of original
samples增强后的样本数量
Number of augmented
samples标签
Label炭疽叶斑病 Anthracnose leaf blight Glomerella graminicola Politis 107 856 ANTH 热带锈病 Tropical rust Physopella pallescens 115 920 TRT 南方锈病 Southern corn rust Puccinia polysora 130 1 040 SCR 普通锈病 Common rust Puccinia sorghi 142 1 136 CR 小斑病 Southern leaf blight Bipolaris maydis 150 1 200 SLB 叶斑病 Phaeosphaeria leaf spot Phaeosphaeria variiseptata 120 960 PHLS 条纹病 Diplodia leaf streak Stenocarpella macrospora 116 928 DLS 褐斑病 Physoderma brown spot Physoderma maydis 128 1 024 PHBS 大斑病 Northern leaf blight Exserohilum turcicum 142 1 136 NLB 合计 Total 1 150 9 200 表 2 共享卷积层不同特征提取网络的在测试集上的性能
Table 2 Performance of different feature extraction networks in shared convolutional layer on testing dataset
特征提取网络类型
Type of feature extraction network平均准确率/%
Average accuracy单张图像检测耗时/s
Detection time per imageAlexNet 91.73 0.243 VGG16 97.23 0.278 ResNet50 88.97 0.437 ResNet101 86.03 0.572 表 3 测试集混淆矩阵分析统计参数1)
Table 3 Statistical parameters from the confusion matrix analysis of testing dataset
参数 Parameter ANTH TRT SCR CR SLB PHLS DLS PHBS NLB 图像总数 Total number of images 856 920 1040 1136 1200 960 928 1024 1136 阳性测试例数 Number of positives 171 184 208 227 240 192 186 205 227 阴性测试例数 Number of negatives 1669 1656 1632 1613 1600 1648 1654 1635 1613 预测为正的正样本 True positive 165 178 202 222 234 186 180 200 222 预测为负的正样本 False negative 6 6 6 5 6 6 6 5 5 预测为正的负样本 True negative 1624 1611 1587 1567 1555 1603 1609 1589 1567 预测为负的负样本 False positive 8 5 3 7 4 4 7 6 7 召回率 Recall 0.965 0.967 0.971 0.978 0.975 0.969 0.968 0.976 0.978 精度 Precision 0.954 0.973 0.985 0.969 0.983 0.979 0.963 0.971 0.969 综合评价指标(F1) Comprehensive evaluation index 0.959 0.970 0.978 0.974 0.979 0.974 0.965 0.973 0.974 平均准确率/% Average accuracy 97.23 1) ANTH、TRT、SCR、CR、SLB、PHLS、DLS、PHRS、NLB分别代表炭疽叶斑病、热带锈病、南方锈病、普通锈病、小斑病、叶斑病、条纹病、褐斑病和大斑病
1) ANTH, TRT, SCR, CR, SLB, PHLS, DLS, PHRS and NLB represent Anthracnose leaf blight, Tropical rust, Southern corn rust, Common rust, Southern leaf blight, Phaeosphaeria leaf spot, Diplodia leaf streak, Physoderma brown spot and Northern leaf blight respectively表 4 不同分类检测算法检测结果的比较
Table 4 Comparison of the detection results for different classification and detection algorithms
算法
Algorithm精度
Precision单张图像检测耗时/s
Detection time per imageSSD 0.929 3 0.296 Faster R-CNN 0.883 2 0.417 改进 Faster R-CNN Improved Faster R-CNN 0.971 8 0.278 -
[1] 许景辉, 邵明烨, 王一琛, 等. 基于迁移学习的卷积神经网络玉米病害图像识别[J]. 农业机械学报, 2020, 51(2): 230-236. doi: 10.6041/j.issn.1000-1298.2020.02.025 [2] 李静, 陈桂芬, 安宇. 基于优化卷积神经网络的玉米螟虫害图像识别[J]. 华南农业大学学报, 2020, 41(3): 110-116. doi: 10.7671/j.issn.1001-411X.201907017 [3] SINGH A K, GANAPATHYSUBRAMANIAN B, SARKAR S, et al. Deep learning for plant stress phenotyping: Trends and future perspectives[J]. Trends Plant Sci, 2018, 23(10): 883-898. doi: 10.1016/j.tplants.2018.07.004
[4] 张明, 王腾, 李鹏, 等. 基于区域亮度自适应校正算法的脐橙表面缺陷检测[J]. 中国农业科学, 2020, 53(12): 2360-2370. doi: 10.3864/j.issn.0578-1752.2020.12.005 [5] 张芳, 王璐, 付立思, 等. 基于支持向量机的黄瓜叶部病害的识别研究[J]. 沈阳农业大学学报, 2014, 45(4): 457-462. doi: 10.3969/j.issn.1000-1700.2014.04.014 [6] 张开兴, 吕高龙, 贾浩, 等. 基于图像处理和BP神经网络的玉米叶部病害识别[J]. 中国农机化学报, 2019, 40(8): 122-126. [7] 党满意, 孟庆魁, 谷芳, 等. 基于机器视觉的马铃薯晚疫病快速识别[J]. 农业工程学报, 2020, 36(2): 193-200. doi: 10.11975/j.issn.1002-6819.2020.02.023 [8] SINGH V, MISRA A K. Detection of plant leaf diseases using image segmentation and soft computing techniques[J]. Information Processing in Agriculture, 2016, 4(1): 41-49.
[9] 赖君臣, 李少昆, 明博, 等. 作物病害机器视觉诊断研究进展[J]. 中国农业科学, 2009, 42(4): 1215-1221. doi: 10.3864/j.issn.0578-1752.2009.04.012 [10] 刘涛, 仲晓春, 孙成明, 等. 基于计算机视觉的水稻叶部病害识别研究[J]. 中国农业科学, 2014, 47(4): 664-674. doi: 10.3864/j.issn.0578-1752.2014.04.006 [11] 毛彦东, 宫鹤. 基于SVM和DS证据理论融合多特征的玉米病害识别研究[J]. 中国农机化学报, 2020, 41(4): 152-157. [12] 赵立新, 侯发东, 吕正超, 等. 基于迁移学习的棉花叶部病虫害图像识别[J]. 农业工程学报, 2020, 36(7): 184-191. doi: 10.11975/j.issn.1002-6819.2020.07.021 [13] 姜洪权, 贺帅, 高建民, 等. 一种改进卷积神经网络模型的焊缝缺陷识别方法[J]. 机械工程学报, 2020, 56(8): 235-242. [14] 董秋成, 吴爱国, 董娜, 等. 用于卷积神经网络图像预处理的目标中心化算法[J]. 中南大学学报(自然科学版), 2019, 50(3): 89-96. [15] BRAHIMI M, BOUKHALFA K, MOUSSAOUI A. Deep learning for tomato diseases: Classification and symptoms visualization[J]. Appl Artif Intell, 2017, 31(4): 299-315. doi: 10.1080/08839514.2017.1315516
[16] FERENTINOS K P. Deep learning models for plant disease detection and diagnosis[J]. Comput Electron Agr, 2018, 145: 311-318. doi: 10.1016/j.compag.2018.01.009
[17] 孙俊, 谭文军, 毛罕平, 等. 基于改进卷积神经网络的多种植物叶片病害识别[J]. 农业工程学报, 2017, 33(19): 209-215. doi: 10.11975/j.issn.1002-6819.2017.19.027 [18] 龙满生, 欧阳春娟, 刘欢, 等. 基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 农业工程学报, 2018, 34(18): 194-201. doi: 10.11975/j.issn.1002-6819.2018.18.024 [19] KERKECH M, HAFIANE A, CANALS R. Deep learning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images[J]. Comput Electron Agr, 2018, 155(12): 237-243.
[20] 戴泽翰, 郑正, 黄莉舒, 等. 基于深度卷积神经网络的柑橘黄龙病症状识别[J]. 华南农业大学学报, 2020, 41(4): 111-119. doi: 10.7671/j.issn.1001-411X.201909031 [21] 李淼, 王敬贤, 李华龙, 等. 基于 CNN 和迁移学习的农作物病害识别方法研究[J]. 智慧农业, 2019, 1(3): 46-55. [22] 杨森, 冯全, 张建华, 等. 基于深度学习与复合字典的马铃薯病害识别方法[J]. 农业机械学报, 2020, 51(7): 22-29. doi: 10.6041/j.issn.1000-1298.2020.07.003 [23] TOO E C, LI Y J, NJUKI S, et al. A comparative study of fine-tuning deep learning models for plant disease identification[J]. Comput Electron Agr, 2019(161): 272-279.
[24] 鲍文霞, 孙庆, 胡根生, 等. 基于多路卷积神经网络的大田小麦赤霉病图像识别[J]. 农业工程学报, 2020, 36(11): 174-181. doi: 10.11975/j.issn.1002-6819.2020.11.020 [25] 任守纲, 贾馥玮, 顾兴健, 等. 反卷积引导的番茄叶部病害识别及病斑分割模型[J]. 农业工程学报, 2020, 36(12): 186-195. doi: 10.11975/j.issn.1002-6819.2020.12.023 [26] 宋余庆, 谢熹, 刘哲, 等. 基于多层特征融合的农作物病虫害识别方法[DB/OL].[2020-06-09]. http://kns.cnki.net/kcms/detail/11.1964.S.20200515.1754.010.html. [27] 王晓鸣, 段灿星. 玉米病害和病原名称整理及其汉译名称规范化探讨[J]. 中国农业科学, 2020, 53(2): 288-316. doi: 10.3864/j.issn.0578-1752.2020.02.006 [28] REN S, HE K M, GIRSHICK R, et al. Faster R- CNN: Towards real-time object detection with region proposal net-works[C]//NIPS. Proceedings of Advances in Neural Information Processing Systems. Montreal, Quebec, Canada: NIPS, 2015: 91-99.
-
期刊类型引用(3)
1. 杨磊,袁斌,郑锷,叶晨朔,王思行,何贤俊,张潇潇,黄山,胡伟伟,邵敏. 珠江三角洲秋季生物质燃烧对有机气溶胶的贡献. 中国环境科学. 2023(01): 20-28 . 百度学术
2. 黄巧义,于俊红,黄建凤,黄旭,李苹,付弘婷,唐拴虎,刘一锋,徐培智. 广东省主要农作物秸秆养分资源量及替代化肥潜力. 生态环境学报. 2022(02): 297-306 . 百度学术
3. 郭畅,刘剋. 基于MODIS数据京津冀的秸秆焚烧火点监测与分析. 科技风. 2019(31): 125-126 . 百度学术
其他类型引用(4)