Improved Identification of Leaf Diseases and Pest Infestations on Rice by Means of Coordinate Attention Mechanism-based Residual Network
-
摘要:目的 针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题，探索基于ResNet深度学习网络的水稻叶片病虫害识别模型（ResNet50-CA）。方法 在ResNet-50的残差卷积模块下引入坐标注意力机制（CA），采用 LeakyReLU 激活函数替代 ReLU 激活函数，使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。结果 在使用传统卷积神经网络进行水稻叶片病虫害研究发现，ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系，因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验，研究发现在批量样本数为16和学习率为0.0001时，ResNet50-CA获得最高的识别准确率（99.21%），优于传统的深度学习算法。结论 改进后的网络能够提取出水稻病虫害更加细微的特征信息，从而取得更高的识别准确率，为水稻叶片病虫害识别提供新思路和方法。Abstract:Objective A new deep learning network was designed to improve the often-inaccurate identification of diseases and pest infestations on rice.Method The coordinate attention mechanism (CA) was introduced under the residual convolution block of RestNet-50 using the LeakyRelu activation function to replace the Relu activation function as well as the three 3×3 convolution kernels to replace the original 7×7 convolution kernel under the first convolution layer.Result The newly designed ResNet-50-CA effectively balanced the detection accuracy and model simplicity the original method lacked. The improved model was further fine-tuned with experiments to achieve a much-improved detection accuracy of 99.21% in identifying the diseases and infestations on a batch of 16 specimens with a learning rate of 0.0001.Conclusion The superior deep learning algorithm of the current ResNet50-CA system extracted more detailed and accurate information on the diseases and infestations than did the previous model. It could be applied for field and/or clinic diagnosis on rice plants.
-
0. 引言
【研究意义】磺胺类抗生素（Sulfonamides）是一类抗菌谱广的合成抗感染药物，主要用于治疗和预防细菌性传染病。由于易于使用且性质稳定，广泛应用于医药、畜牧和水产养殖[1-4]。磺胺类抗生素在现阶段其需求很高，是世界上使用最广泛的抗生素品种之一[5-6]。但是细菌很容易对磺胺类抗生素产生抗药性，长期使用后，磺胺类抗生素残留会在动物体内积累。而且由于其利用率较低，大部分的磺胺类抗生素会通过粪便和尿液排泄（50%～80%）进入水环境中，可能会通过生物积累对生态系统和人类健康造成风险[7-8]。现有的污水处理系统中，磺胺类抗生素不能被有效去除，因此针对废水中磺胺类抗生素污染的低成本环保技术研究尤为紧迫。【前人研究进展】磺胺类抗生素的主要去除方法包括化学法、生物法、人工湿地系统、膜分离技术和吸附法[9]。其中吸附法是一种有效的废水处理方法，与其他方法（如臭氧/光催化氧化技术）相比，对环境的影响较小，不会产生毒害副产物[10]。而且吸附过程的设计和操作简单，应用性强。吸附材料主要分为碳基材料、矿物材料、高分子材料、有机多孔材料和新型复合材料[11-14]。竹炭对于四环素和氯霉素有较好的去除效果，碳纳米管和去离子交换树脂对水中抗生素去除率可达90%。硬木生物炭具有较高的吸附分布比值（106 L·kg−1），对于磺胺二甲嘧啶具有良好的去除效果[15-16]。吸附技术可用于去除废水中的抗生素，且去除效率很高。但在吸附技术的实际应用中，降低吸附剂的制作成本是当前首要解决的问题。研究表明生物炭作为一种高效、经济、环保的吸附材料，已被广泛用于处理有机化合物污染，包括农药、抗生素和其他化学品[17-18]。对比石墨烯、纳米管、复合材料和改性材料等其他吸附材料具有操作简单、制造成本低的优点，易于在实际工程中广泛应用[19-22]。【本研究切入点】玉米秸秆是农作物残余物，在我国分布广泛、资源丰富，是制备生物炭的理想原料。有关玉米秸秆生物炭的研究工作主要集中在Pb、Cd、Cu等重金属及氮、磷等无机物污染物的吸附研究上，目前针对环境水体中的抗生素类污染物的吸附研究罕有报道。【拟解决的关键问题】本研究使用自制的玉米秸秆生物炭作为吸附剂，评估其从废水中去除磺胺类抗生素的可行性，利用扫描电子显微镜（SEM）、傅里叶变换红外光谱（FTIR）、元素分析、x射线衍射（XRD）对样品进行表征，采用吸附动力学和等温线系统研究磺胺嘧啶（Sulphadiazine，SDZ）和磺胺氯哒嗪（Sulfachloropyridazine，SCP）在玉米秸秆生物炭上的吸附作用，并比较在不同初始浓度、添加量和pH等条件下的吸附情况，确定生物炭对SDZ和SCP的最佳吸附条件，以期为废水中磺胺类抗生素污染物的治理提供参考。
1. 材料与方法
1.1 供试材料
玉米秸秆原料源自华南农业大学生态实验基地。用自来水冲洗干净后风干2 d，60 ℃下干燥24 h，研磨粉碎至小于2 cm，锡纸包好放入坩埚。考虑到高温能提升生物炭的比表面积和微孔数量[23-24]，在管式碳化炉中通入N2，以10 ℃·min−1的升温速率将其升至700 ℃，然后保持4 h，冷却至室温后取出称重并计算碳化率。研磨后过0.15 mm筛，用盐酸处理去除灰分，蒸馏水洗涤至溶液pH稳定，在50 ℃干燥12 h后保存备用。
1.2 供试试剂
磺胺嘧啶（SDZ，99%）、磺胺氯哒嗪（SCP，99%）产自东京化成工业株式会社，使用去离子水制备不同浓度SDZ和SCP溶液模拟污水；使用的化学药品为分析纯，包括氢氧化钠（NaOH）、盐酸（HCl）、氯化钾（KCl）。
1.3 实验仪器
H1850高速台式离心机，Vario EL cube型元素分析仪，SS-550扫描电子显微镜（SEM），D8 ADVANCE型X射线多晶衍射仪（XRD），VERTEX 70傅立叶变换红外光谱仪；Agilent 1260高效液相色谱仪（HPLC），Agilent 6420三重串联四极杆质谱（MS），Spark Holland全自动在线固相萃取仪；SHA-B多功能水浴恒温振荡器，WP-UP-II-10型分析型超纯水机，PHS-3C型pH计，BS224S型电子分析天平，植物粉碎机，DDS-307型电导率仪，DZF-6050真空干燥箱。
1.4 试验设计
1.4.1 玉米秸秆生物炭的表征
使用高分辨场发射扫描电镜（SEM）和Vario EL cube型元素分析仪表征测定玉米秸秆生物炭的微观结构和元素含量[18-19,21] 。玉米秸秆在700 ℃下灰化4 h后测定灰分含量，根据质量平衡计算含氧量[24]。使用VERTEX 70型傅立叶变换红外光谱仪进行红外光谱（FTIR）表征，方法是溴化钾压片法[13]。采用D8 ADVANCE型X射线多晶衍射仪（XRD）对玉米秸秆生物炭进行测定[21]。
1.4.2 不同因素对吸附效率的影响
研究不同条件下生物炭吸附SDZ和SCP的吸附效果。根据静态吸附试验的结果，得到玉米秸秆生物炭吸附SDZ和SCP的优化条件。称取玉米秸秆生物炭置于150 mL锥形瓶中，加入100 mL SDZ或SCP溶液，在水浴恒温器中振荡，测定不同温度下（10 ℃、25 ℃、40 ℃）、吸附剂添加量（0.1～1.0 g）、吸附时间（10～720 min）、初始质量浓度（1～30 mg·L−1）、pH（2～11）和重复吸附次数（1～5次）等影响因素对吸附效果的影响。所有样品均设置2个空白样，每个处理3个平行，振荡完成后提取上清液，测定上清液中SDZ或SCP的残留浓度。残留溶液浓度通过HPLC-MS/MS方法测定。空白试验结果表明，吸附过程中SDZ和SCP的光解、挥发，以及离心管对其吸附影响可忽略不计。
1.4.3 吸附热力学和动力学试验
（1）吸附热力学
在3个不同温度（10、25、40 ℃）下，检查反应时间、pH值、初始浓度等。在优化条件下，使用不同添加量的玉米秸秆生物炭对SDZ和SCP进行分组试验。试验数据分别与Langmuir和Freundlich吸附等温方程拟合，从热力学角度研究SDZ和SCP在玉米秸秆生物炭上的吸附机理。
（2）吸附动力学
为确定玉米秸秆生物炭在优化条件下对SDZ和SCP的吸附特性，研究玉米秸秆生物炭对SDZ和SCP的吸附动力学，建立3种动力学模型：准一阶动力学方程、准二阶动力学方程和颗粒内扩散方程拟合试验数据。根据线性相关系数R2的值确定3个动力学模型的适应性。
1.4.4 磺胺类抗生素检测
采用高效液相色谱-串联质谱法（HPLC-MS/MS）对样品进行分析。色谱柱：Agilent Eclipse C18 column（直径、长度和孔径分别为4.6 mm、250 mm、5 µm）；On-line SPE LC-MS/MS条件：在线相萃取柱采用C18柱；用于测定的流动相为含有5 mmol·L−1的甲酸铵水、−0.1%甲酸（溶剂B）和乙腈（溶剂A）的混合溶液，样品的注入体积为5 μL，体积流量为0.6 mL· min−1。质谱采用电喷雾离子化源（ESI）；雾化器压力为310 kPa；干燥气体积流量和温度分别设为10 L·min−1和325 ℃。
1.4.5 数据建模
采用Langmuir和Freundlich模型模拟吸附，两种模型的方程为：
ceqe=1kLqm+ceqm (1) lgqe=1nlgce+lgkF (2) 式中，qe为玉米秸秆生物炭对SDZ和SCP的吸附量（mg·g−1）；qm为最大吸附量（mg·g−1）；ce为吸附平衡时溶液中SDZ和SCP的质量浓度（mg·L−1）；kL、kF和n均为吸附模型中常数。
准一级动力学方程、准二级动力学方程和颗粒内扩散方程为：
lg(qe−qt)=lgqe−k1t2.303 (3) tqt=1k2q2e+tqe (4) qt=kidt1/2+c (5) 式中，qt为时间t时生物炭对SDZ和SCP的吸附量（mg·g−1）；k1、k2、kid为动力学反应方程的常数，单位分别为min−1、g·mg−1·min−1、g·mg−1·min−1；截距c则反映边界层效应（mg·g−1）。
1.5 数据处理
使用SPSS 16.0、Excel 2016和Origin 8.0进行数据分析及图表处理。
2. 结果与分析
2.1 玉米秸秆生物炭的表征
2.1.1 扫描电镜分析
图1为玉米秸秆生物炭放大50、200、500、1000倍的电镜照片，生物炭表面有大量颗粒和块状堆积。放大后显示这些结构的表面由复杂的孔隙网状结构堆积组成，表面高度粗糙，可提供大量的吸附位点。这种结构主要受到制备生物炭时的热解温度影响，热解温度的升高会促进玉米秸秆中的有机质分解，有利于生物炭中微孔结构的形成，增大生物炭的比表面积。王彦隽等[24]研究发现700 ℃下热解的玉米秸秆生物炭的孔径孔体积、比表面积、芳香化程度和稳定性都要远高于300、500 ℃下产生的生物炭。而缪旭东等[25]针对玉米秸秆生物炭对有机挥发物的吸附效果研究也得出了相同的结论。
2.1.2 X射线衍射分析
由图2可知，生物炭除了在2θ=26.54°左右的一个小峰外，没有显著的峰存在。峰型呈弥散状，说明灰分较低，其原料中不存在晶体矿物，这表明玉米秸秆生物炭的结构是由多层堆积的类石墨片结构组成，和图1显示出的特征一致。同时原子活性增强并形成更多的微孔结构，有利于提高其吸附性能。
2.1.3 生物炭元素组成
表1和表2为玉米秸秆生物炭原子质量比和元素含量。生物炭中C质量分数为78.634%，含量最高。在玉米秸秆热解过程中，随着碳化程度增加，会发生强烈的脱氧和脱氢反应，C含量增加，而H和O含量降低，H/C原子比例降低，增强了生物炭的表面芳香性，提高吸附效果[3]；极性指数［（O+N）/C］降低会增加疏水性，减少表面极性官能团，提供更多的有利疏水吸附位点[26]。
表 1 生物炭的元素含量Table 1. The elements contents of biochar元素 Elemental C H O N S 灰分 Ash 占比 Percentage/% 78.634 1.561 9.054 1.820 0.362 8.931 表 2 生物炭的原子质量比Table 2. The atomic mass ratio of biochar原子质量比类型 Atomic mass ratio type （N+O）/C H/C （C+H）/O O/C 比值 Ratio 0.138 0.020 8.857 0.115 2.1.4 傅里叶红外光谱法分析
FTIR光谱用于分析玉米秸秆生物炭的表面官能团。由图3可知，大量的-OH、-COOH、C-OH等官能团，使其表现出亲水、疏水和酸碱性等特性[27]。生物炭在3311 cm−1的振动与羧基和酚羟基中的O-H有关。1561 cm−1附近的吸收峰表明（芳香环结构C＝C双键）生物炭表面有大量芳香性基团[28]。玉米秸秆生物炭在1 088 cm−1附近有一个很强的吸收峰，此处为羟基、酯、醚中C-O伸缩振动。同时，玉米秸秆生物炭在791 cm−1和456 cm−1出现的吸收峰分别是C-C双链和SiO2伸缩振动。
2.2 生物炭添加量对吸附效果的影响
图4显示，生物炭添加量在0.1 g～1.0 g逐渐增加时，SDZ的吸附容量从4.73 mg·g−1降到0.99 mg·g−1，去除率从45.91%增加到95.21%；SCP的吸附量从8.05 mg·g−1降低到0.23 mg·g−1，去除率从86.53%增加到98.21%。显然随着生物炭添加量的增加，SDZ和SCP去除率逐渐增加而吸附量逐渐减少。生物炭的增加提供了更多的活性吸附点位，大量的SDZ和SCP分子进入生物炭表面的孔隙。而随着溶液中SDZ和SCP浓度的降低，去除率不断升高，生物炭的单位吸附量则不断下降[9]。
![]()
图 4 生物炭添加量对吸附SDZ和SCP的影响Figure 4. Effects of biochar additions in adsorbing SDZ and SCP2.3 吸附时间对吸附效果的影响
由图5可知，吸附初期玉米秸秆生物炭表面活性点位多且其表面液膜与溶液本体存在较大浓度差，SDZ和SCP向炭表面及孔隙中扩散速度较快，吸附在很短的时间（10 min）内快速进行，达到较高的去除率（SDZ为87.22%、SCP为99.00%）。随时间延长，生物炭表面吸附点位减少，浓度梯度降低，吸附逐渐变慢并达到平衡。
2.4 初始SDZ和SCP质量浓度对吸附效果的影响
由图6可知，玉米秸秆生物炭对SDZ和SCP的吸附量先增大后趋于稳定，去除率增加后小幅度下降。在整个吸附过程中，SDZ和SCP分子的扩散起着重要作用。根据菲克定律，浓度梯度决定了吸附过程的驱动力。液相中SDZ和SCP的相对质量浓度越高，传质动力越大，这更有助于实现SDZ和SCP分子从溶液到生物炭表面的传递。SDZ和SCP分子在水环境中的扩散驱动力随初始浓度的增加而增加。
![]()
图 6 初始质量浓度对生物炭吸附SDZ和SCP的影响Figure 6. Effects of initial sulfonamide concentration on SDZ and SCP adsorptions2.5 溶液pH对吸附效果的影响
如图7所示，在碱性条件下，玉米秸秆生物炭对SDZ和SCP的吸附效果要明显低于酸性条件下的吸附效果，并且随着pH的增加而下降。SDZ和SCP是一类两性分子，在不同的pH值下有多个pKa点（酸解离常数）。SDZ的pKa1=1.57，pKa2=6.50，SCP的pKa1=1.87，pKa2=5.45。当pH值超过pKa2时，SDZ和SCP主要与阴离子形态存在，与生物炭表面的电荷相反从而发生排斥作用[2]。溶液的初始pH值对吸附行为的影响是不同pH值条件下生物炭和SDZ、SCP之间的电荷差异导致。由于废水的pH值通常在5.5～9.0[29]，只有在极高的pH条件下才会对SDZ和SCP的吸附产生影响。
2.6 温度对吸附效果的影响
由图8可以看出在不同温度条件下玉米秸秆生物炭对SDZ和SCP的去除率和吸附量之间差异显著，生物炭对SDZ和SCP的吸附量和去除率都随着温度升高而降低，说明生物炭对SDZ和SCP的吸附反应均为放热反应，高温不利于生物炭对SDZ和SCP的吸附。
![]()
图 8 不同初始质量浓度下温度对SDZ和SCP去除效果的影响注：带有不字母的处理间存在显著差异（P ＜0.05 ），n=3。Figure 8. Effects of temperature on SDZ and SCP removal rates at different initial sulfonamide concentrationsNote: Data with different lowercase letters indicate significant differences between treatments at P＜0.05 (n=3).2.7 等温吸附热力学模型拟合
吸附等温线方程用于分析吸附剂与吸附分子之间的相互作用和吸附特性，R2是衡量吸附等温方程整体拟合度的主要因子。表3显示，Langmuir和Freundlich模型的线性相关系数R2均大于0.934，很好地拟合了SDZ和SCP吸附等温线，说明玉米秸秆生物炭对SDZ和SCP的吸附不是物理吸附过程，还包括化学相互作用。Freundlich模型的n值大于1，表明玉米秸秆生物炭和SDZ、SCP之间有很强的亲和力，吸附过程是自发的。Langmuir模型假设吸附剂表面是均匀的，吸附分子在吸附剂表面周围形成一个单吸附层，不存在相互作用。而Freundlich模型用于描述发生在非均相固体表面的化学吸附，故玉米秸秆生物炭对SDZ和SCP的吸附用Freundlich吸附等温模型描述更为合适[4]。
表 3 不同温度下的吸附等温方程及参数Table 3. Chemical composition of biochar抗生素
Antibiotics温度
Temperature/℃Langmuir Freundlich qm kL R2 n kF R2 SDZ 10 4.708 0.492 0.947 1.508 2.833 0.963 25 5.798 0.196 0.963 1.241 2.769 0.962 40 5.636 0.132 0.982 1.199 2.506 0.977 SCP 10 9.953 0.302 0.960 1.161 4.181 0.958 25 9.946 1.050 0.956 1.262 4.307 0.976 40 9.872 0.072 0.934 1.173 3.545 0.965 2.8 吸附动力学模型拟合
为解释玉米秸秆生物炭的吸附机制，采用准一级动力学模型和准二级动力学模型和颗粒内扩散模型对试验数据进行参数拟合。由表4可知，准二级动力学模型的平均拟合度（0.9997和0.9999）高于同等条件下准一级动力学模型（0.8490和0.8486）和颗粒内吸附模型（0.9038和0.4546）的拟合相关度。同时使用准二级动力学方程计算吸附平衡容量更接近实测值，故准二级动力学模型更适合描述生物炭的吸附行为，这表明化学吸附在生物炭和SDZ、SCP的吸附过程起主要作用。而k2变化比较明显，说明该吸附反应过程主要由快反应所控制，这与Rajapaksha用生物炭吸附磺胺甲嘧啶以及李雪冰利用活性炭吸附磺胺类抗生素得出的动力学规律一致[23, 29]。
表 4 不同温度下的吸附动力学方程及相关系数Table 4. Atomic mass ratio of biochar抗生素
Antibiotics温度
Temperature/℃准一级动力学方程
First-order kinetic equation准二级动力学方程
Second-order kinetic equation颗粒内扩散方程
Intra-particle diffusion equationk1 R2 k2 R2 kid R2 SDZ 10 0.0022 0.8480 0.1424 0.9997 0.0069 0.8851 25 0.0015 0.8663 0.3915 1.0000 0.0033 0.8583 40 0.0020 0.8328 0.1091 0.9996 0.0071 0.9680 SCP 10 0.0017 0.9109 0.3899 1.0000 0.0089 0.4577 25 0.0010 0.7744 1.4909 1.0000 0.0024 0.5494 40 0.0008 0.8605 0.3764 0.9998 0.0034 0.3568 2.9 重复利用性能
吸附剂的可重复使用性是商业应用中需要考虑的重要因素，通过可重复使用性实验可评估生物炭的循环利用能力。图9所示，玉米秸秆生物炭在第1、2和3次使用时，对SDZ的去除率分别为95.21%、72.13%和48.52%，对SCP的去除率分别为98.22%、79.25%和77.46%。虽然玉米秸秆生物炭对SDZ和SCP的吸附量和去除率均随着使用次数的增加逐渐减少，但仍具有较好的吸附效果。第3次后玉米秸秆生物炭吸附性能明显下降，原因可能是因为玉米秸秆生物炭表面的吸附点位被SDZ和SCP逐渐占据至饱和所致。5次试验结束后玉米秸秆生物炭对SDZ和SCP去除率仍可达到31.25%和53.90%。王楠等发现5次重复吸附试验后酸改性松针生物炭对磺胺甲噁唑去除率仍在40%以上[30]。李京京研究发现经过3次循环利用后，木耳菌渣生物炭对四环素的去除率从66.58%降低至40.25%[31]。生物炭经重复利用后吸附性能略有下降，但考虑到玉米秸秆是一种廉价易得的生物质，具有成本低和废弃物二次利用的优点，在重复利用时可以适当增加添加量，以达到最佳吸附性能。
![]()
图 9 重复利用次数对SDZ和SCP去除效果的影响Figure 9. Efficiencies of repeated use of biochar in removing SDZ and SCP in solution3. 讨论
抗生素在生物炭上的吸附机制可能取决于多种因素，包括：（1）吸附剂的结构特性；（2）吸附剂表面的理化特性，如比表面积、孔径分布、表面功能性、灰分含量等；（3）吸附的条件，如pH和吸附时的温度等。
玉米秸秆生物炭对磺胺类抗生素的吸附包括物理吸附和化学吸附，物理吸附主要与生物炭表面的物理结构有关，化学吸附与生物炭表面的官能团有关。生物炭表面复杂的微孔结构可以为SDZ和SCP提供更多的吸附位点。同时磺胺类抗生素的颗粒内扩散过程也更易进行，提高了孔内吸附效率[23, 32]。而提高热解温度能提升生物炭的比表面积和微孔数量，增强生物炭的吸附效果[5]。生物炭表面含有大量的含氧等官能团，可与磺胺类抗生素分子形成的氨基发生酸碱反应，从而形成离子键，提高吸附性能。玉米秸秆生物炭的表面极性和亲水性较高，因此更容易吸附极性分子。而且玉米秸秆生物炭表面含有非碳化组分，含有O-羧基、羟基和酚类等官能团，可固定污染物[33- 34]。外光谱分析表明，氢键结合、π-π共轭是秸秆生物炭吸附2种磺胺抗生素的主要机理[35]。抗生素分子会与生物炭的芳香环之间形成π-π键电子耦合，提高生物炭的吸附效果[36]。前人报道了草炭对3种邻苯二甲酸酯的吸附能力强于在相同温度下制备的木炭，这是由于草炭的烷基碳含量和极性较高[37]。目前的研究表明疏水效应、α-相互作用、氢键、共价和静电相互作用，这些机制在生物炭对有机污染物的吸附过程中共存[38-39]。
不同的吸附条件也会影响到生物炭吸附抗生素的效果。玉米秸秆生物炭对SDZ和SCP主要受到添加量、吸附时间、初始浓度和溶液pH值的影响。随着添加量的增加，生物炭对抗生素的吸附量会下降，去除率提高[40]。由于可用的吸附点位的增加，大量的吸附剂会使得抗生素快速吸附到生物炭表面，溶液周边的抗生素浓度下降，单位吸附容量降低。吸附平衡时间由抗生素浓度随时间的变化决定，吸附过程在10 min内达到吸附平衡，此后随着吸附时间的延长，吸附率没有明显变化。初始pH值会影响吸附剂表面的物理化学性质和抗生素的分子形式，在吸附过程中起着重要作用。随着溶液pH值增加，SDZ和SCP主要以阴离子形态存在，生物炭表面含氧基团进一步电离，负电荷密度增大，静电排斥作用增强，且阳离子-π和π-π作用减弱，导致生物炭吸附能力下降[41]。而生物炭对SDZ和SCP的吸附为吸热反应，升高温度会降低溶液的黏度并促进SDZ和SCP分子的移动，从而提高了SDZ和SCP在生物炭外表面和内部的渗透速率，有利于反应进行[42]。
根据等温吸附方程所拟合的玉米秸秆生物炭对SDZ和SCP吸附容量最高可达到5.798 mg·g−1和9.946 mg·g−1。赵涛等研究发现同等条件下制备的皇族草生物炭（5.471 mg·g−1）对磺胺氯哒嗪的吸附效果远大于花生壳生物炭（2.590 mg·g−1）[9]。孟庆梅等使用磷酸活化榴莲壳生物炭，其对SDZ的吸附容量可达到9.044 mg·g−1[43]。对于磺胺类抗生素，丁杰等使用浓硫酸和浓硝酸等氧化剂氧化活性炭比未改性活性炭的吸附效果提高了5～12倍[44]。针对生物炭原材料的选择和生物炭的改性研究是提高生物炭吸收污染物效果的关键。
4. 结论
（1）玉米秸秆生物炭对 SDZ和SCP的吸附效果主要受添加量、吸附时间、初始浓度、吸附温度以及 SDZ和 SCP溶液的 pH值等因素的影响。在25 ℃、pH=5、吸附时间4 h、初始质量浓度10 mg·L−1的条件下，玉米秸秆生物炭对SDZ的去除率可达到94.57%（生物炭添加量8 g·L−1），对SCP的去除率可达到98.12%（生物炭添加量5 g·L−1）。
（2）玉米秸秆生物炭对 SDZ和 SCP的吸附机制主要包括孔隙填充机制、静电相互作用力、π-π共轭效应。
（3）Freundlich等温吸附方程和准二级动力学方程能较好地描述吸附过程，吸附过程为快速反应控制，自发的放热过程，主要为化学吸附。
（4）吸附-解吸循环试验结果表明，玉米秸秆生物炭在3个循环后仍能保持良好的吸附能力，由于生物炭原材料来源丰富、制作成本低，因此未来具有很好的应用潜力。
-
![]()
图 1 水稻叶片病虫害图像
Figure 1. Photos of 8 leaf diseases and pest infestations on rice plants
表 1 水稻叶片病虫害的数据集
Table 1 Collected data on leaf diseases and pest infestations on rice plants
病虫害种类
The type of leaf
pests and diseases初始数据集
Initial dataset数据增强后的数据集
The dataset
after expansion白叶枯病
Bacterial leaf smut200 1279 褐斑病
Brown spot200 1279 叶黑穗病
Leaf Smut200 1279 纹枯病
Stiae blight93 1279 干尖线虫病
Dry tip worm disease76 1279 细菌性条斑病
Bacterial leaf streak114 1279 赤枯病
Red blight80 1279 稻瘟病
Leaf blast123 1279 
下载: 导出CSV
表 2 ResNet50-CA模型的水稻叶片病虫害数据集测试指标
Table 2 ResNet50-CA indicators on leaf diseases and pest infestations of rice
病害
Diseases精确率
Accuracy/%召回率
Recall/%特异度
Specificity/%F1/% 白叶枯病 Bacterial leaf smut 100.0 100.0 100.0 100.0 褐斑病 Brown spot 99.6 100.0 99.9 99.8 叶黑穗病 Leaf smut 99.6 99.6 99.9 99.6 纹枯病 Stiae blight 100.0 97.1 100.0 98.5 干尖线虫病
Dry tip worm disease96.8 100.0 99.5 98.4 细菌性条斑病
Bacterial leaf streak99.6 99.6 99.9 99.6 赤枯病 Red blight 99.6 98.7 99.9 99.2 稻瘟病 Leaf blast 98.7 98.7 99.8 98.7
下载: 导出CSV
表 3 不同神经网络的试验结果
Table 3 Experimental results of convolutional neural networks
模型名称
Model name硬件性能
FLOPs/GMac参数
Parameters/M准确率
Accuracy/%VGG13 11.27 65.00 96.82 VGG16 15.44 70.40 97.69 MobileNet 0.32 2.23 91.26 ResNet34 3.68 21.29 95.43 ResNet50 4.12 23.52 96.44 ResNet101 7.85 42.52 96.47 ResNet50-CA 4.99 25.51 99.21
下载: 导出CSV
表 4 不同数据集的对比结果
Table 4 Experimental results on plant datasets
模型名称
Model name种类
Species病虫害名称
Name of diseases精确率
Precision/%召回率
Recall/%特异度
Specificity/%F1/% 准确率
Accuracy/%ResNet50 苹果 Apple 黑腐病 Black rot 100.0 99.5 100.0 99.7 99.78 健康 Healthy 99.7 99.7 99.8 99.7 赤锈病 Red rust 100.0 100.0 100.0 100.0 赤霉病 Scab 99.5 100.0 99.9 99.7 葡萄 Grape 黑麻疹病 Black measles 100.0 98.9 100.0 99.5 99.67 黑腐病 Black rot 99.2 100.0 99.7 99.6 叶枯病 Leaf blight 100.0 100.0 100.0 100.0 健康 Healthy 99.5 100.0 99.9 99.7 玉米 Corn 普通锈病 Common rust 99.6 100.0 99.8 99.8 98.6 叶枯病 Leaf blight 99.0 95.5 99.7 97.2 健康 Healthy 99.6 100.0 99.8 99.8 叶斑病 Leaf spot 96.1 98.5 98.8 97.3 ResNet50-CA 苹果 Apple 黑腐病 Black rot 100.0 99.5 100.0 99.7 99.8 健康 Healthy 99.7 100.0 99.8 99.8 赤锈病 Red rust 100.0 100.0 100.0 100.0 赤霉病 Scab 100.0 100.0 100.0 100.0 葡萄 Grape 黑麻疹病 Black measles 99.6 100.0 99.8 99.8 99.8 黑腐病 Black rot 100.0 99.6 100.0 99.8 叶枯病 Leaf blight 100.0 100.0 100.0 100.0 健康 Healthy 100.0 100.0 100.0 100.0 玉米 Corn 普通锈病 Common rust 100.0 100.0 100.0 100.0 99.0 叶枯病 Leaf blight 99.5 97.0 99.9 98.2 健康 Healthy 100.0 99.6 100.0 99.8 叶斑病 Leaf spot 99.6 99.5 99.0 98.0
下载: 导出CSV
-
[1] ZHOU J, LI J X, WANG C S, et al. Crop disease identification and interpretation method based on multimodal deep learning [J]. Computers and Electronics in Agriculture, 2021, 189: 106408. DOI: 10.1016/j.compag.2021.106408
[2] 王超, 王春圻, 刘金明. 基于深度学习的玉米叶片病害识别方法研究 [J]. 现代农业研究, 2022, 28(6):102−106. WANG C, WANG C Q, LIU J M. Identification of maize leaf diseases based on deep learning [J]. Modern Agriculture Research, 2022, 28(6): 102−106.(in Chinese)
[3] JIANG F, LU Y, CHEN Y, et al. Image recognition of four rice leaf diseases based on deep learning and support vector machine [J]. Computers and Electronics in Agriculture, 2020, 179: 105824. DOI: 10.1016/j.compag.2020.105824
[4] BRAHIMI M, BOUKHALFA K, MOUSSAOUI A. Deep learning for tomato diseases: Classification and symptoms visualization [J]. Applied Artificial Intelligence, 2017, 31(4): 299−315. DOI: 10.1080/08839514.2017.1315516
[5] 赵恒谦, 杨屹峰, 刘泽龙, 等. 农作物叶片病害迁移学习分步识别方法 [J]. 测绘通报, 2021(7):34−38. ZHAO H Q, YANG Y F, LIU Z L, et al. Step-by-step identification method of crop leaf diseases based on transfer learning [J]. Bulletin of Surveying and Mapping, 2021(7): 34−38.(in Chinese)
[6] KAWASAKI Y, UGA H, KAGIWADA S, et al. Basic study of automated diagnosis of viral plant diseases using convolutional neural networks[M]//Advances in Visual Computing. Cham: Springer International Publishing, 2015: 638－645.
[7] LU Y Z, YOUNG S. A survey of public datasets for computer vision tasks in precision agriculture [J]. Computers and Electronics in Agriculture, 2020, 178: 105760. DOI: 10.1016/j.compag.2020.105760
[8] HOU Q B, ZHOU D Q, FENG J S. Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Nashville, TN, USA. IEEE, 2021: 13708－13717.
[9] 王志强, 于雪莹, 杨晓婧, 等.基于WGAN和MCA-MobileNet的番茄叶片病害识别[J]. 农业机械学报, 2023, 54（5）: 244－252. WANG Z Q, YU X Y, YANG X J, et al. Tomato Leaf Diseases Recognition Based on WGAN and MCA - MobileNet[J]. 2023, 54(5): 244－251.
[10] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770−778.
[11] XU B, WANG N Y, CHEN T Q, et al. Empirical evaluation of rectified activations in convolutional network[EB/OL]. 2015: arXiv: 1505.00853. https://arxiv.org/abs/1505.00853
[12] 李键红, 吴亚榕. 基于多任务联合稀疏表示的水稻叶片病害自动识别算法 [J]. 仲恺农业工程学院学报, 2017, 30(2):40−44. DOI: 10.3969/j.issn.1674-5663.2017.02.007 LI J H, WU Y R. Automatic recognition algorithm for rice leaf diseases based on multi-task joint sparse representation [J]. Journal of Zhongkai University of Agriculture and Engineering, 2017, 30(2): 40−44.(in Chinese) DOI: 10.3969/j.issn.1674-5663.2017.02.007
[13] JIANG Z C, DONG Z X, JIANG W P, et al. Recognition of rice leaf diseases and wheat leaf diseases based on multi-task deep transfer learning [J]. Computers and Electronics in Agriculture, 2021, 186: 106184. DOI: 10.1016/j.compag.2021.106184
[14] 刘立波, 周国民. 基于多层感知神经网络的水稻叶瘟病识别方法 [J]. 农业工程学报, 2009, 25(S2):213−217. LIU L B, ZHOU G M. Identification method of rice leaf blast using multilayer perception neural network [J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(S2): 213−217.(in Chinese)
[15] MNIH V, HEESS N, GRAVES A, et al. Recurrent models of visual attention[C]//In Advances in neural information processing systems. 2014: 2204－2212.
[16] XU K, BA J L, KIROS R, et al. Show, attend and tell: Neural image caption generation with visual attention[C]//Proceedings of the 32nd International Conference on International Conference on Machine Learning - Volume 37. July 6 - 11, 2015, Lille, France. New York: ACM, 2015: 2048－2057.
[17] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT, USA. IEEE, 2018: 7132－7141.
[18] WOO S, PARK J, LEE J Y, et al. CBAM: convolutional block attention module[M]//Computer Vision – ECCV 2018. Cham: Springer International Publishing, 2018: 3－19.
[19] WANG H Y, ZHU Y K, GREEN B, et al. Axial-DeepLab: Stand-alone axial-attention for panoptic segmentation[EB/OL]. 2020: arXiv: 2003.07853. https://arxiv.org/abs/2003.07853
[20] ZHAO H S, SHI J P, QI X J, et al. Pyramid scene parsing network[J]. IEEE Computer Society, 2016: 6230－6239.
-
期刊类型引用(4)
1. 陈璞，徐振江，江东，易静，苏穆清，邓超，饶得花. 柚类种质资源DUS测试数量性状分级研究. 果树学报. 2024(09): 1885-1902 . 
百度学术
2. 贾文浩，何旭彤，张洁，李琳，林红梅，雷秀娟，王英平. 西洋参DUS测试性状筛选与分级研究. 种子. 2024(09): 122-130 . 百度学术
3. 胡冬，马超，章毅颖. 基于数字图像处理的不结球白菜表型性状分析. 上海农业学报. 2024(06): 125-130 . 百度学术
4. 陈宇华，陈剑锋，钟声远，钟海丰，林觅，刘中华. 基于DUS测试指南的蕹菜个体测量性状分析与分组性状筛选. 福建农业科技. 2024(11): 44-50 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 489
- HTML全文浏览量: 285
- PDF下载量: 66
- 被引次数: 4
