Site Loader

Содержание

фото и чем лечить распространенные заболевания

На чтение 9 мин Просмотров 8.8к.

Как определить болезни винограда по фото и чем их лечить – трудная задача для начинающих дачников. Но процесс выращивания виноградных лоз – не такое простое дело, как кажется на первый взгляд. И главная проблема, которая при этом возникает – это болезни, которые могут серьезно повреждать виноградные лозы. Каким заболеваниям подвержены эти кусты, и как с ними бороться в условиях частного хозяйства, давайте разбираться.

Болезни винограда (с фото) и чем лечить инфекции

Часто садоводы сталкиваются с тем, что на листве винограда, а также на побегах возникают пятна, листья желтеют, сворачиваются, опадают. Все эти симптомы говорят, что виноградный куст «заболел». Почему это происходит? Чаще всего причина заболевания кроется в неправильном уходе за лозами этого растения. Садоводы не делают своевременную обрезку лишних побегов, поливы – слишком частые и обильные, не проводится профилактическая обработка виноградных лоз от возможных заболеваний. Иногда и погода «помогает» возникновению и развитию некоторых заболеваний – слишком дождливое и холодное лето, частые колебания температуры являются фактором, который помогает развиваться многим грибковым заболеваниям.

Какие виды болезней чаще встречаются на виноградных лозах

Все болезни этих многолетников условно делят на две категории:

  • на грибковые;
  • на вирусные и бактериальные.

Первые болезни достаточно хорошо известны виноградарям, так как появляются на кустах слишком часто. Обычно при борьбе с ними эффективны различные фунгициды. Но это обычно довольно «жесткая» химия, и для эффективной «борьбы» необходимо выдерживать не только дозировку, но и сроки повторных обработок. К тому же для последующих опрыскиваний нужно менять группу препарата. В условиях частных хозяйств это почти нереально. Поэтому в проекте «ЭКОсад для всех» мы лишь вскользь упоминаем пестициды, ориентируясь больше на народные методы и биопрепараты.

А вот вирусные и бактериальные заболевания еще более серьезны. Чаще всего приходится удалять зараженные лозы. На месте, где росли больные кусты, порой несколько лет нельзя сажать растения, и приходится также проводить и другие карантинные меры.

Грибковые болезни виноградника

Милдью

На виноградных лозах это заболевание встречается наиболее часто. Ложная мучнистая роса является очень опасной для этих многолетников и почти всегда требует постоянного применения химических средств. В сырые дождливые сезоны из-за нее на кустах погибает значительная часть урожая, а если борьбу с этим видом мучнистой росы ведут неправильно, то можно и вообще не собрать урожай с больных кустов.

Заболевание попало в Европу из Соединенных Штатов вместе с новыми сортами винограда. Впервые милдью была обнаружена на виноградниках во Франции в 1878 г. В нашей стране впервые эта болезнь была обнаружена на Бессарабских виноградниках в 1885 году. Далее болезнь распространилась на кусты винограда, растущие на Кавказе, в Крыму и в Краснодарском крае. Впоследствии милдью распространилась и в других регионах России и СНГ. Раньше практически не встречалось это заболевание в Средней Азии, так как там слишком жарко и сухо, что не способствовало развитию грибковых заболеваний. Но грибок мутировал и сейчас этот регион довольно сильно подвержен агрессии фитопатогена.

Возбудителем милдью является Plasmopara viticola Berl. et de Toni – микроскопические грибы, поражающие все надземные части кустов винограда. На листве появляются небольшие пятнышки желтой расцветки, которые могут просвечивать на свету. Они похожи на следы масла. С обратной стороны листвы одновременно появляется налет белого цвета, который легко стереть пальцем. Но вскоре он появляется снова – это созревают споры грибка. С течением времени пятна изменяют окраску с желтой на бурую, затем начинают сохнуть.

Если заболевание сильно поразило побеги и листву, то больной куст может остаться совсем без листвы в середине сезона. Причем, грибок проникает внутрь побегов и листьев, в этом случае справиться с ним уже нельзя и приходится выкорчевывать заболевшее растение.

  • В начале заболевания принято использовать сильные химические препараты (Цинеб, Купроксат, Полихом, Хомецин), обрывать больные листья и обрезать заболевшие побеги – в этом случае можно попробовать спасти лозу. Все больные части растения предпочтительно немедленно сжигать.
  • Для предотвращения попадания влаги на куст сооружают навесы из поликарбоната, и растение практически всегда доживает до урожая, а лоза хорошо вызревает для зимовки.
  • Народное средство — йод с молоком. На 10 л воды берут 1 литр обезжиренного молока и 20 капель йода. Опрыскивают регулярно с промежутком в 10 дней.
Оидиум

Настоящая мучнистая роса (пепельница, Uncinula necator Burril), в анаморфной стадии известна как оидий Такера (Oidium tuckeri berk.) поражает виноградник почти также часто, как и милдью. Грибок также попал на наш континент из Америки в XIX веке. Поражаться могут любые надземные части растения. Если на листве появился налет серого цвета – это и есть оидиум. Причем появляется эта напасть в любое время сезона.

Благоприятные условия для развития грибков – жаркое время (до +25 градусов Цельсия). Но сильные проливные дожди в состоянии смыть налет с листвы и побегов, тем самым остановив дальнейшее развитие болезни.

Если поражены созревающие плоды, то их кожица (даже достаточно плотная) трескается, грозди с такими плодами есть нельзя. Следует своевременно начинать борьбу с этим заболеванием, иначе можно потерять в данном сезоне урожай, а в будущем – остаться без кустов винограда вообще.

  • Из биопрепаратов хорошие результаты дает опрыскивание кустов Стимиксом, проводят 3-4 обработки в сезон.
  • Народное средство от оидиума – пищевая или биосода. На 4 литра воды берется 3 ст. ложки порошка и 1 ст. ложка жидкого мыла. Виноград опрыскивают сразу же. Ну и не забывайте готовить и использовать настой прелого сена от мучнистой росы – это самое безопасное народное средство, которое способствует не только лечению, но и подкормке винограда.
Серая гниль

Серый налет – основной симптом данного заболевания, причем появляется он на всех частях виноградной лозы. Вызывается грибком Botrytis cinerea. Сначала на ягодах образуются бурые пятна, затем кожица растрескивается и гроздь покрывается серым пушистым налетом. 

Пораженные серой гнилью ягоды не годятся в пищу. Причем, если поражается одна ягода в грозди, то через некоторое время болезнь поражает все ягоды.

В профилактических целях необходимо своевременно проводить зеленые операции на кустах (обломку и подвязывание побегов, прореживание), а также опрыскивать баковой смесью из биопрепаратов Фитоспорин-М+Алирин-Б+Гамаир, либо Стимиксом.

Черная гниль

При этой форме грибкового заболевания, которое вызывается грибком Guingnardia bidwellii на листве и плодах появляются небольшие вдавленные пятнышки фиолетового оттенка, которые постепенно увеличиваются. Пораженные листья и плоды усыхают и опадают. 

Во избежание заражения проводят регулярные опрыскивания баковой смесью из биопрепаратов Фитоспорин-М+Алирин-Б+Гамаир, либо Стимиксом.

Альтернариоз

Главным симптомом этого заболевания являются пятна (серебристые или коричневые), которые появляются на любых надземных частях растений. Благоприятные условия для развития этой болезни, вызываемой грибком Alternaria vitis Cavara – слишком долгая весна. 

Для лечения в период, когда температура воздуха станет выше +15°, применяют Триходермин. Проводят 5-6 обработок с интервалом в 3 недели.

Вертициллез

Для этого недуга характерно быстрое увядание стеблей. Если заболевание протекает в острой форме, то листва быстро желтеет и опадает. Это раневая инфекция — грибок попадает в побеги через сломанные веточки или из почвы.

Вилт закупоривает сосуды растения, поэтому его признаки мы видим, когда растение уже гибнет, лечить его поздно. В почве грибок Verticillium dahliae может сохранять жизнеспособность до 5 лет, поэтому на зараженном месте после удаления лозы не следует высаживать новые саженцы ранее, чем через этот промежуток времени.

Армилляриоз

Главный симптом болезни, возбудителем которой является Armillariella mellea – увядание листвы и поражение корневой системы. Корешки изменяют свой цвет на бурый, начинают гнить. Это заболевание проявляется в весенний период, а после лета на лозе начинают расти несъедобные грибы. Токсины гриба крайне ядовиты, и вызывают гибель растения. 

При выявлении болезни лечение, как правило, проводить уже поздно, прибегают к корчеванию кустов.

Бактериальный рак (бактериоз винограда)

Заболевание вызывается раневым паразитом бактерией Agrobakterium t.S. При этом виде рака у растений поражаются побеги, на которых появляются характерные наросты. В начале заражения опухоль никак не проявляет себя, но урожайность куста падает. Затем появляется светло-желтая короста, на которую скажем так, трудно обратить внимание – она не приметна.

Множественное появление бугорчатых выступлений на лозах говорит о том, что лечить виноград уже поздно. До сих пор еще не изобретены препараты, которые могли бы победить эту болезнь. Поэтому единственное средство борьбы с бактериальным раком – выкапывание и уничтожение всего куста целиком. На этом месте нельзя выращивать такую культуру в течение 3 – 4 сезонов.

Тем не менее, многие дачники вырезают опухоль до живой ткани и для антибактериальной терапии применяют следующие препараты:

  • Фитолавин. Препарат, содержащий комплекс почвенных антибиотиков;
  • Гамаир. Это бактерия, которая положительно воздействует на развитие корней;
  • Фитоплазмин. Сочетание разных видов натуральных антибиотиков.

Апоплексия (Эска)

Данная болезнь поражает кусты винограда, приводя к их быстрой гибели. Вместе с трутовиком в растение проникают патогенные культуры (комплекс грибов, среди которых встречаются Fomitiporia punctata, Fomitiporia mediterranea, Phaeomoniella chlamydospora, Phellinus igniarius, Phaeoacremonium aleophilum, Phellinus punctatus, Stereum hirsutum), которые выделяют токсичные вещества. Вследствие этого разрушается проводящая система виноградной лозы, гибнет многолетняя древесина. Апоплексия чаще поражает ослабленные растения.

От апоплексии лечить, конечно, поздно. Но чтобы не допустить появления Эски, необходимо добиться хорошего роста лозы. Так сказать, чтобы даже при наличии трутовика новые ткани успевали хорошо нарастать. Этому поможет хорошее питание без излишков азота: компост, постоянное мульчирование органическими остатками и регулярные подкормки древесной золой. Также отличные результаты дают обработки Стимиксом.

Вирусные болезни виноградной лозы

Данные болезни винограда еще не изучены полностью. Известно, что причиной этих болезней является группа вирусов, которые распространяются почвенными нематодами. Основные вирусные заболевания кустов винограда:

  • инфекционный хлороз или желтая мозаика;
  • мозаика резуха и др.

Основные симптомы этих заболеваний:

  • лозы развиваются недостаточно быстро;
  • завязи отмирают;
  • листва деформируется;
  • листья приобретают нехарактерную окраску;
  • древесина побегов начинает трескаться.

Препаратов, которые могли бы избавить виноград от этих заболеваний, нет. Поэтому поврежденные растения необходимо выкапывать и уничтожать. Зола после сжигания больных растений непригодна в качестве удобрения. На месте, где росли больные кусты, не следует выращивать новые саженцы винограда не менее 5 сезонов.

Не болезни, а вредители

Конечно, кроме заболеваний, виноградные кусты могут ослабнуть из-за вредителей. Здесь мы подробно на них не будем останавливаться, но дадим характерные признаки поражений:

Овальные выпуклые пятна на листьях винограда – проявление заражения войлочным клещом.

Напоследок небольшое видео, где наш коллега показывает признаки заболеваний на виноградных кустах:

 

На сегодня это всё, что хотелось рассказать про болезни винограда (с фото) и чем лечить основные заболевания, которые поражают виноградник. Каждое из них является серьезным, бороться с которым следует начинать сразу при обнаружении признаков инфекции. Иначе один больной куст может стать источником заражения для всего виноградника.

Болезни винограда грибкового, бактериального и физиологического происхождения

Жбанова Ольга Владимировна
Заместитель Президента Ассоциации садоводов России (АППЯПМ), ведущий специалист АППЯПМ по ягодным культурам

Дорохова Е.В.,
специалист Ассоциации производителей плодов, ягод и посадочного материала

Болезни винограда грибкового, бактериального и физиологического происхождения

Виноград был окультурен еще в античные времена, и конечно до наших дней это растение накопило довольно много различных болезней, бороться с которыми просто необходимо, иначе урожая можно и не получить. Данные болезни можно разделить на инфекционные и неинфекционные, они серьезно нарушают жизнедеятельность растения, даже могут погубить его.

Неинфекционными болезнями не могут заразиться другие растения в винограднике. Заболеть такими болезнями виноград может как под влиянием неблагоприятных погодных явлений, таких как град, засуха, сильная жара или наоборот – повышенная влажность, так и при недостатке каких-либо нужных ему условий.

Инфекционные болезни вполне могут предаваться от больных кустов к здоровым. Заражение происходит под воздействием возбудителей, которыми являются бактерии, вирусы, или грибки. Такие болезни особенно опасны, так как при определенных, благоприятных для их распространения условиях, болезнь может поразить большую часть виноградника в короткое время, и даже полностью уничтожить его. Передача подобных болезней происходит как между живыми кустами, так и от отмерших частей инфицированных кустов.

С этими болезнями необходимо бороться всеми доступными методами. Среди методов борьбы с инфекционными болезными можно выделить:

  • профилактические мероприятия
  • сохранение высокого агрофона
  • карантин

Милдью, или ложномучнистая роса

Милдью, или ложномучнистая роса

Меры борьбы. Основной метод борьбы с милдью — опрыскивание виноградников фунгицидами: 1%-ной бордоской жидкостью, 0,4%-ными растворами купрозана (4—6 кг/га), хомецина (4—6 кг/га), поликарбацина (4—6 кг/га), полихома (4—6 кг/га). Высоко эффективны против милдью системные фунгициды — микал (4 кг/га), ридомил (0,8 кг/га). Последний используют в смеси с заменителями бордоской жидкости в половинной норме расхода.

Первое опрыскивание проводят при длине побегов 25—30 см, второе — перед цветением, третье — сразу после цветения. В дальнейшем обработки повторяют в зависимости от погодных условий, но не реже, чем через 15 дней. За период вегетации проводят 7—8 опрыскиваний фунгицидами. Микал применяют с интервалами между обработками 15—21 день: в течение лета 4—5 опрыскиваний. Заменители бордоской жидкости и системные фунгициды используют в июне — июле, чередуя их с бордоской смесью.

Оидиум (мучнистая роса)

Оидиум (мучнистая роса)

Очень опасная болезнь винограда, поражающая надземные части растения, покрывая белым налетом верхнюю сторону листьев.

На пораженных болезнью листьях проявляются темные точки. На побегах проявляются пятна, бутоны и цветки буреют и опадают. Если болезнь начинается в период созревания ягод, виноградины трескаются обнажая серую гниль. При сильном поражении, появляется специфический запах гнилой рыбы. Болезнь проявляется от жаркой и сухой погоды, преимущественно в июле — августе, от резкой смены засухи на влажность. В период цветения, на вегетирующих зеленых побегах и листьях, появляется налет пепельно-серого цвета, под которым листья вздуваются, становятся бурыми и отмирают. Пораженные болезнью побеги, соцветия и ягода, выглядят как будто осыпанными пеплом, который пахнет гнилой рыбой.

Меры борьбы. Применяют серные препараты. Перед цветением виноградники опрыскивают коллоидной серой или 80%-ным смачивающимся порошком (с. п.) этого препарата. После цветения при высоких температурах воздуха эффективна молотая сера, особенно при опыливании по росе. На 1 га виноградника расходуют 9—12 кг коллоидной или 15—30 кг молотой серы. В период развития эпифитотии оидиума очаги болезни обрабатывают бенлейтом (1,5 кг/га), топсином (1,5 кг/га), фундазолом (1,5 кг/га). Хорошие результаты дает байлетон — 25%-ный и 5%-ный с. п. (0,3 и 1 кг/га).

Обработки проводят при появлении болезни. При развитии эпифитотии оидиума опрыскивания повторяют через 10—15 дней до размягчения ягод.

Серая гниль

Серая гниль

Проявляется в бурении и сморщивании виноградных ягод, которые сморщиваются и лопаются, покрываясь серым гниющим налетом. Процесс распространения болезни, очень скоро распространяется на всю гроздь. Серая гниль способна уничтожить весь урожай винограда.

Меры борьбы. Для уменьшения потерь урожая от серой гнили на виноградниках проводят агротехнические мероприятия, обеспечивающие хорошее проветривание кустов (удаление неплодоносящих побегов, подвязка), тщательно ведут борьбу с вредителями и болезнями, своевременно снимают урожай. Развитие серой гнили на виноградниках сдерживают фунгициды: бенлейт (1,5 кг/га), эупарен (2—3 кг/га), топсин (1—1,5 кг/га).

Первое опрыскивание проводят после опадения колпачков, второе — перед смыканием ягод в гроздях, третье — в начале созревания, четвертое — за месяц до сбора урожая.

Белая гниль

Белая гниль

Грибковое заболевание. Развивается в жаркую и влажную погоду перед созреванием ягод. Пораженные ягоды сморщиваются, покрываются мелкими бугорками и засыхают. Поражаются также листья и побеги: листья приобретают грязно-серую окраску, а на побегах образуются бурые или черные пятна. В ткани растений возбудитель заболевания проникает через различные механические повреждения, особенно градобоины. Споры гриба зимуют на опавших листьях и ягодах.

Меры борьбы: тщательное уничтожение больных ягод, являющихся источником инфекции. Опрыскивание кустов, поврежденных градом, 2 %-ным раствором бордоской жидкости (сразу же после градобития и спустя 5-6 дней повторно).

Кислотная гниль

Кислотная гниль

Страдают от нее сорта винограда с тонкой кожицей на ягодах и сочной мякотью. Симптомы обнаруживаются после появления коричневых гниющих ягод в хороших гроздях винограда.

Вокруг распространяющейся порчи, роем вьются дрозофиллы, а от ягод пахнет уксусом. Этот запах привлекает мушек, которые интенсивно растут и размножаются.

Заболевание носит стремительный характер и может нанести огромный ущерб урожаю. Урожай ягод становится не пригоден для употребления в пищу, производства вина или переработки.

Меры борьбы: для профилактики следует увеличить популяцию цикад и трипсов. Прореживать поврежденные грозди, не допуская развития серой гнили. При незначительном поражении, удалить все повреждённые ягоды и обработать грозди инсектицидом типа фитоверм. Обработать 1 % бордоской смесью. Положительный эффект дает опудривание гроздей садовой серой. Дрозофиллы гибнут в отравленных приманках для ос.

Черная гниль

Черная гниль

Заболевание винограда, вызывающее потери урожая до 80%, в основном от поражения ягод винограда. Поражённые ягоды буреют, мокнут, покрываются рыхлым, сначала серым, потом чернеющим налётом.

Характерный симптом — истечение сока ягод. Болезнь развивается после механического повреждения ягод градом, насекомыми или перезревания. Особенно быстро развивается при температуре 28 -30 С, при такой температуре споры прорастают через 36 часов. Возбудитель живёт в почве и на растительных остатках, питаясь ими.

Меры борьбы: для профилактических обработок против черной гнили обычно используют контактные фунгициды. В первую очередь это медьсодержащие препараты, которые ингибируют фазу прорастания патогенна. Кроме этого высокой активностью против черной гнили обладают контактные и системные фунгициды на основе действующих веществ: каптан, манкоцеб, метирам, пропинеб, триадименол, фолпет, миклобутанил, азоксистробин, кризоксимметил, дифеноконазол, гексаконазол, триадимефон ципроконазол; фенгексамид; флудиоксонил; ципродинил; трифлоксисторобин, тебуконазол, спироксамин и др.

Аспергиллезная гниль

Аспергиллезная гниль

В отличие от серой гнили, данное заболевание особенно вредоносно для ягод при жаркой погоде, в период созревания и хранения, так как возбудитель аспергиллезной гнили является термофильными организмом, интенсивнее развивающимся при повышенных температурах воздуха, 28-31ºС.

Визуальные признаки заболевания проявляются на ягодах вначале в виде светлых, затем темнеющих вдавленных пятен. Позже ягоды растрескиваются, на них появляется белый налет мицелия с последующим образованием конидиального спороношения в виде черно-бурой или другого цвета порошащей массы. Грозди, пораженные в сильной степени, выглядят черными. Развитие спороношения отмечают как на гроздях, первично пораженных грибными болезнями или заселенных мушками-дрозофилами, так и на неповрежденных, здоровых ягодах, где гриб проявляет паразитические свойства.

Меры борьбы: поскольку возбудитель аспергиллезной гнили раневый патоген, используемые методы защиты должны быть, в первую очередь, направлены на предотвращение повреждений на ягодах: проведение уборки в оптимальные сроки; тщательное выдерживание оптимальных сроков и норм поливов; использование внекорневых подкормок и регуляторов роста растений, способствующих увеличению эластичности и плотности кожицы ягод.

Защитные мероприятия, проводимые от черной и серой гнили, снижают распространение и вредоносность аспергиллезной гнили.

Эффективность профилактических обработок от аспергиллезной гнили медьсодержащими препаратами составляет 75-90%. Высокую эффективность, более 90%, показывают фунгициды с д.в. фолпет + триадименол, фолпет, крезоксим-метил, толилфлуанид, тиофанат-метил, пенконазол, пираклостробин + метирам, миклобутанил + квиноксифен, флудиоксонил + ципродинил, фенгексамид и др.

Побочное действие на возбудителя аспергиллезной гнили (эффективность 60-75%) оказывают фунгициды с д.в. цимоксанил + фамоксадон.

Альтернариоз

Альтернариоз

Это грибковое, очень вредоносное заболевание винограда, распространенное повсеместно.

Вызывает заболевание жаркая и влажная погода. При заболевании альтернариозом, поражается листовой покров виноградного куста, зеленые побеги и ягоды с характерными симптомами, внешне напоминающими оидиум.

На листьях появляются светлые пятна с характерным проявлением некроза в центре, затем виноградный лист темнеет покрываясь плесенью во время дождей. На ягодах образуется пелена, придающая виноградным ягодам металлический блеск с последующим образованием бархатного налёта. Ягода сморщивается, приобретая неприятный вкус.

Если заражение произошло во время снятия урожая, грибок легко начнет развиваться во время хранения и испортит весь урожай.

Для того чтобы отличить альтернариоз от оидиума, нужно поражённую часть виноградного побега или больного листа поместить на блюдце с водой и накрыв его влажным стаканом поставить в тёплое место на несколько часов. Если это альтернариоз побег или виноградный лист покроется бархатистым налётом оливкового цвета. Из — за этого налета, болезнь имеет ещё одно название — оливковая пятнистость.

Меры борьбы: aдекватны мерам химической защиты против чёрной пятнистости и антракноза. Хорошие результаты даёт обработка триходермином.

Возбудитель болезни, зимует в коре отмерших частей растений и в растительных остатках, находящихся в почве.

Симптомы заболевания проявляются, во второй половине вегетационного периода виноградника, поэтому мероприятия по защите от инфекции нужно начинать весной с опрыскивания кустов бордосской смесью или другими фунгицидами, содержащими манкоцеб (Ридомил)

Во время смыкания ягод в гроздях, используют системные фунгициды типа «Скор», «Квадрис», «Кабрио-топ», «Рапид голд», «Колфуго супер» с интервалом обработки 10 – 14 дней.

Антракноз

Антракноз

Болезнь винограда, поражающая листья, побеги, соцветия и ягоды.

Источник инфекции – гриб в виде мицелия, дающий за один сезон до 30 поколений спор.

Повышенная в весенний период влажность вызывает поражение молодых листьев и побегов. Сначала на листьях появляются бурые пятна с темной каймой, затем пятна сливаются. В местах поражения, ткань листьев отмирает и проваливается. На междоузлиях появляются вдавленные пятна темно-коричневого, бурого цвета. Ткань трескается образуя глубокие раны, из-за чего побеги ломаются и усыхают.

Похожие поражения проявляются на гребнях виноградных гроздей и черешках листьев. Пораженные грибом соцветия приобретают коричневый цвет и усыхают. На ягодах образуются буроватые пятна с темной каймой. Очаговое распространение болезни наблюдаются в дождливую погоду.

Поражённые антракнозом побеги необходимо удалить и сжечь.

Весной, когда молодые побеги достигнут в длину 5 -10 см, производят опрыскивание 3% бордоской смесью.

Меры борьбы: перед цветением и после него через 10 -12 дней производят повторное опрыскивание в очагах поражения 1% бордосской смесью или поликарбацином, арцеридом, хлорокисью меди, полихомом, можно применять также Телдор, Свитч и другие фунгициды.

Черная пятнистость (Фомопсис)

Черная пятнистость (Фомопсис)

Грибковое заболевание винограда, поражающее все зеленые и одеревеневшие части виноградного куста.

Признаки поражения проявляются в июне, на первых семи узлах однолетних побегов. На листьях появляются точки черно-бурого цвета, постепенно сливающиеся в пятна, окруженные светлой каймой. Созревшие ягоды становятся темно-фиолетового цвета и неприятные на вкус. На вызревающей лозе появляются белесые пятна, глубоко врастающие в древесину. Прогнившие участки вызывают отмирание рукавов.

Меры борьбы: осенняя обрезка и уничтожение повреждённой древесины. Защиту прироста нужно начинать ранней весной с профилактических мероприятий против грибковых заболеваний. Побочное действие на черную пятнистость оказывают опрыскивания бордоской жидкостью, микалом, эфалем и эупареном.

Церкоспороз

Церкоспороз

Поражаются сорта винограда стойкие к милдью. Церкоспороз винограда можно встретить в основном на старых, ослабленных кустах. В начале августа проявляется на нижней стороне листьев с оливкового налета и доходит до бурого цвета, далее происходит засыхание листа. Ягоды также покрываются сначала оливковым налетом, плавно переходящего в покров зеленого цвета, далее осыпание ягод от любого касания.

Меры борьбы: своевременное удаление с растений поврежденных и высохших листьев, обработка бордоской жидкостью каждые две недели. Для борьбы с церкоспорозом используют те же методы, что для милдью.

Бактериоз

Бактериоз

Это инфекционное заболевание винограда, вызываемые патогенными бактериями.

Бактериоз может поражать всё растение, отдельные его части или органы.

К числу возбудителей инфекции, относятся бактерии из родов Pseudomonas и Bacillus, которые проникают в растение через естественные водяные поры.

Возбудители из родов Agrobacterium и Xanthomonas, обладают не столь выраженными паразитирующими свойствами и способны проникать в растение только через раны.

В некоторых случаях, возбудители инфекции распространяются насекомыми — переносчиками.

Распространение бактериоза, происходит во время вегетационного периода винограда. Среди разновидностей бактериоза, самой вредоносной инфекцией является бактериальный рак.

Меры борьбы:в зависимости от особенностей заболевания применяют соответствующие агротехнические физико — механические, химические и биологические методы.

Для борьбы с бактериозами, нужно использовать устойчивые сорта винограда, с комплексными мерами проведения фитокарантинных и фитосанитарных мероприятий.

Бактериальный рак

Бактериальный рак

Заболевание, под воздействие которого попадают открытые части виноградного штамба.

Поражение выглядит воздушным пузырем под корой, который со временем выступает на поверхность, разрывая кору.

Диаметр пузыря может достигать 30 см., а разрывается он осенью или зимой, преимущественно после суровых морозов.

Меры борьбы. Сводятся к проведению своевременных профилактических мероприятий.

Прежде всего необходимо надежно защищать саженцы и кусты от морозов и механических повреждений.

  • стараться, чтобы место прививок не соприкасалось с землей.
  • при обрезке кустов винограда, как можно меньше гнуть штамбы, нанося им механические повреждения.
  • делать весеннюю обрезку, более безопасную, чем осенняя.
  • при обнаружении проявлений бактериального рака, наросты необходимо тщательно срезать.
  • после обрезки пораженных тканей, удаленный материал собрать и сжечь. Раны нужно обработать 5 % раствором железного купороса или 3% раствором бордоской смеси.

При выявлении признаков возникновения бактериального рака, применяется только фосфорно-калийное удобрение. Также очень эффективна древесная зола. Азотные удобрения на 2 — 3 года необходимо исключить.

Короткоузлие

Короткоузлие

Это вирусная болезнь инфекционного происхождения. Встречается в европейских странах, где поражает все органы куста. Пораженные вирусом кусты приобретают карликовый вид и кустистость.

Пораженные вирусом побеги имеют укороченные междоузлия, двойные узлы и раздвоенные органы. Листья становятся веерообразными, деформируются и покрываются пятнами желтой мозаики. На пораженных короткоузлием виноградных кустах наблюдается массовое горошение и осыпание ягод. Очаги болезни охватывают группы кустов и со временем расширяются.

На молодых виноградниках, с зараженным посадочным материалом, больные кусты размещаются беспорядочно. Возбудитель болезни передается нематодами вида Xiphinema index Thorne et Allen.

Лечение. Уничтожение больных растений. Фумигация почвы против нематод, являющихся переносчиком вирусов.

Пятнистый некроз

Пятнистый некроз

Это болезнь винограда, результатом которой является усыхание виноградной лозы. Некроз винограда бывает двух видов:

  • Инфекционный;
  • Неинфекционный.

Некроз, или пятнистый некроз, сухорукавность — так еще называют эту болезнь приносит непоправимый вред виноградным кустам. Вследствие этой болезни усыхают как одно- или двухлетние лозы, так и целые рукава.

Причина инфекционного некроза — проникновение в организм растения патогенов различного происхождения: грибы, бактерии или вирусы. Среди самых распространенных некрозов: пятнистый некроз и некроз сосудов древесины.

Неинфекционный некроз развивается из-за неблагоприятного воздействия погодных факторов.

Пятнистый некроз винограда, одно из широко распространенных инфекционных заболеваний укрывных виноградников. Основной причиной его появления является резкая смена условий зимовки растений под земляным укрытием, когда зимой резко меняется температура воздуха и повышается влажность. Сильному проявлению болезни способствует влажная осень и теплая зима с частыми оттепелями и малоснежным покровом. На древесине появляются небольшие пятнышки, но спустя несколько лет пятна разрастаются и сливаются в одно, движение сока по растению затрудняется и это приводит к усыханию целых рукавов.

Профилактика

  • осенний сбор и уничтожение опавших листьев.
  • глубокая осенняя перекопка земли вокруг головы куста.
  • правильная обрезка, улучшающая проветривание куста.

Лечение заключается в своевременности проведения профилактических мероприятий.

  • обрабатывать высаживаемые саженцы 4% железным купоросом
  • хранить саженцы и черенки в хорошо проветриваемом подвальном помещении.
  • применять высокоштамбовые формировки виноградных кустов.

Краснуха инфекционная

Краснуха инфекционная

Различают два вида краснухи: инфекционную и неинфекционную.

Признаки начала заболевания. На листьях между крупными прожилками появляются желтоватые пятна, которые у сортов винограда с темной ягодой краснеют.

У сортов со светлоокрашенными ягодами, пятна на листьях остаются желтыми. Края пятен могут иметь ярко-зеленую каемку с клинообразным сегментом поражения.

Пораженные сегменты листа усыхают, а при более сильном развитии болезни, листья засыхают полностью и опадают.

Преждевременная потеря листьев ухудшает рост виноградного куста. Замедление роста, часто сопровождается осыпанием плодоносных соцветий.

При значительной потере листьев, вызревание побегов становиться невозможным а плодовая завязь будет мелкой.

Инфекционная краснуха чаще всего развивается в засушливое лето на бедных каменистых почвах, сопровождаемых нарушением водного и питательного баланса растений.

Нарушение водного и пищевого баланса виноградного куста, ослабляет его, уменьшая сопротивляемость к болезни, которая интенсивно начинает прогрессировать в период дождей.

Симптомы неинфекционной краснухи у винограда проявляются в период дефицита калия. Отличительной особенностью заболевания является распространение очага болезни не на отдельных фрагментах виноградного куста, как при симптомах инфекционной краснухи, а на всем винограднике.

Распространению неинфекционной краснухи способствует засуха и понижение температуры воздуха в ночное время.

Болезнь может проявляться в течение всего периода вегетации, сопровождающиеся утолщением листьев в местах поражения. При сильном поражении кустов неинфекционной краснухой, отмирают и засыхают участки гребней виноградных гроздей.

Меры борьбы. Химическую защиту растений от инфекционной краснухи проводят с использованием фунгицидов, тех же, что и при борьбе с милдью.

В связи с тем, что краснуха развивается значительно раньше милдью, то профилактических мероприятий нужно проводить на несколько опрыскиваний больше, так как против инфекционной краснухи не проводят специальных профилактических мероприятий.

С проявлением неинфекционной краснухи борются путем уничтожения причин ее возникновения.

Если же поражение краснухой привело к большой потере листьев, потерю зеленой массы необходимой для правильного фотосинтеза растения, компенсируют во время зеленых операций на винограднике, с обязательным применением удобрений для лучшего роста.

Хлороз

Хлороз

Это распространенная болезнь растений, относящаяся не только к винограду. При заболевании растений, в листьях нарушается образование хлорофилла, вследствие чего нарушается процесс фотосинтеза.

Главный признак заболевания, проявляется при изменении цвета листьев, с зелёного на бледно — жёлтый, лимонный или белёсый.

Хлороз бывает двух видов инфекционный и неинфекционный.

Хлорозом может болеть один куст винограда, или несколько растений рядом. Очаговый хлороз поражает все растительные посадки.

Хлороз неинфекционный, возникает от недостатка железа и называется — железный хлороз.

Меры борьбы:

  • лечение хлороза проводят 3 — 4 кратным внесением железосодержащих препаратов. Наиболее эффективно опрыскивание по листьям раствором железного купороса или препаратами, содержащими железо.
  • использование препарата «Брексил — хелат» с одновременным использованием умеренной дозы калийных удобрений, окажет положительное влияние на растение. В течение 4 — 6 часов после обработки, можно увидеть результат возвращения зеленой окраски листьев.
  • главным способом профилактики хлороза винограда, является подбор специальных подвоев, устойчивых к засолению или к содержанию карбонатов в почве.

Апоплексия

Инфекционное заболевание, вызванное патогенными видами возбудителей типа вертициллёза, фузариоза, армилляриоза. Эти возбудители способны вырабатывать токсины, проникновение которых в проводящую систему растения вызывает общее отравление.

Листья увядают, и растение гибнет. Страдают от заболевания единичные растения. Апоплексия случается при жаркой погоде у ослабленных или истощённых растений.

Некроз сосудов древесины

Некроз сосудов древесины

Это неинфекционное заболевание, связанное с физиологическими нарушениями жизнедеятельности растения.

Заболевание винограда, которым в основном поражаются саженцы.

Симптомы: побурение и отмирание клеток лозы, расположенных вблизи сосудов древесины.

Больные растения начинают отставать в росте и становятся неустойчивыми к морозам, засухе и прочим воздействиям внешней среды.

Исследователи считают, что болезнь вызывается грибом Fusarium viticolum и заражение проходит во время зимнего хранения лозы, другие связывают заболевание с проникновением в структуру древесины гриба Botrytis cinerea.

Меры борьбы:

  • Заготавливать и укладывать на хранение, только хорошо вызревшую лозу, без заматывания и перестилания ее влагоудерживающим материалом, типа полиэтиленовой пленки.
  • Виноградные маточники, нужно размещать только на легких почвах с высоким уровнем агротехнических мероприятий.
  • При выращивании вегетирующих саженцев; производить подкормки растений борными удобрениями.

Усыхание побегов

Усыхание побегов

Происходит из-за нарушения обмена веществ в скелете виноградной грозди, поэтому болезнь не является инфекционной.

Болезнь вызывают факторы физиологического питания растения в засушливый и слишком влажный период.

Усыхание гребней виноградных гроздей, происходит внезапно, при накоплении сахара в ягодах 7 — 12%, когда в разветвлениях или в дистальной части появляются точечные или продолговатые пятна, быстро буреющие или чернеющие, захватывающие несколько слоев клеток. В засушливое время эти пятна углубляются из-за основательной потери влаги.

Меры борьбы: борьба с параличом виноградных гребней возможна лишь условно. Хорошие результаты дает обработка винограда хлоридом кальция (0,75%), хлоридом магния (0,75%) или смесью обеих солей в 0,5% концентрации. Опрыскивание хлоридом магния (0,75%) и особенно сульфатом магния (3%). Обработку виноградных гроздей нужно начинать незадолго до периода вероятного поражения болезнью, повторяя ее через каждые 10 дней. Хороший результат в борьбе с усыханием виноградных гроздей дает опрыскивание зоны расположения болезни 5%-ным раствором сульфата магния. Для чувствительных сортов винограда нужно исключить химические меры борьбы. Можно ограничиться агротехническими мероприятиями, например, внесением сбалансированных удобрений.

Болезни винограда и методы их лечения. Инструкции, фото и видео

Неважно, где вы выращиваете виноград – на юге, в средней зоне или чуть севернее, везде он болеет, и от болезней его следует лечить. В средней полосе выращивание винограда, зачастую не обходится без заболеваний милдью (ложная мучнистая роса) и оидиумом (настоящая мучнистая роса), серая гниль, хлороз, краснуха, черная пятнистость и антракноз. В этой статье расскажу о признаках этих опасных болезней, о важных мерах профилактики и эффективных средствах борьбы.

Виноград все шире распространяется, благодаря труду селекционеров создаются ежегодно новые сорта, подходящие для выращивания в холодных регионах. Увы, сортов полностью устойчивых к болезням пока нет, а самих болезней винограда просто огромное количество, более 500 и почти каждый год появляются новые заболевания.

Самыми распространенными болезными винограда являются милдью, оидиуме и серой гнили. Реже встречаются такие грибные и инфекционные заболевания, как антракноз, черная пятнистость, краснуха и хлороз.

Поговорим о том, как с нии эффектно бороться, а самое главное — недопустить.
_______________________________________________

О реальном опыте успешной борьбы с болезнями винограда читайте в этой статье
_______________________________________________

Милдью на винограде

Милдью – очень опасная болезнь, поражающая все части растения. Признаки милдью проявляются, когда ночи становятся теплыми – на нижней стороне листа можно заметить небольшое сероватое пятнышко.

Милдью проявляет себя с мая до середины июля. 

  • По мере развития болезни вся нижняя часть листа покрывается сероватым налетом, похожим на паутинку.
     
  • Потом пятна буреют, а листочки засыхают и опадают.
     
  • То же самое происходит и с бутонами, завязью, цветками и небольшими плодами.

Фото: милдью на винограде

Меры борьбы с милдью

Для борьбы с милдью надо использовать комплекс мер.

  1. В осеннее время обязательно собирайте и сжигайте все опавшие листья.
     
  2. Вокруг куста проводите перекопку почвы на глубину 3-5 см.
     
  3. Своевременно подвязывайте лозы и обрезайте виноград, загущать насаждения не следует.

Также для борьбы с милдью можно обрабатывать виноград препаратами, содержащими медь, например ХОМ, Оксихом. Опрыскивание проводят перед цветением и спустя 13-15 дней после него. Нормы и дозы – по инструкции на упаковке.

Оидиум на винограде

Оидиум – не менее опасное заболевание винограда. Признаки оидиума проявляются в виде похожих темных пятен, что и у милдью, только с верхней стороны листа. Спустя некоторое время поверхность листа покрывается беловатым налетом, после чего лист темнеет и погибает. Вскоре пятна пепельно-серого цвета возникают и на побегах, бутончиках и цветочках, последние высыхают и отпадают.

Оидиум  может появиться с июля по август. 

  • При возникновении заболевания во время созревания ягод, они растрескиваются и загнивают.
     
  • Наиболее активно болезнь развивается при дефиците влаги и высоких дневных и ночных температурах.

Фото: оидиум на винограде

Меры борьбы с оидиумом

Профилактика та же, что и против милдью, а вот лечение несколько иное.

  1. Тут больше подойдут не медьсодержащие, а серосодержащие препараты, например коллоидная сера (1%)
     
  2. Можно как обрабатывать заболевшие растения, растворив ее в воде, так и опыливать.
     
  3. Заболевшие растения обрабатывать необходимо каждую неделю, прекратив за 22-25 дней до сбора урожая.

Серая гниль на винограде

Серая гниль возникает обычно во время созревания ягод.

  • Пораженные виноградины буреют, сморщиваются и загнивают, издавая запах тухлой рыбы.
     
  • Серая гниль распространяется быстро и вполне может уничтожить до 95% всего урожая.

Фото: серая гниль на ягодах винограда

Меры борьбы с серой гнилью

К сожалению, побороть серую гниль невозможно, но предотвратить и остановить распространение можно.

  1. Начинать нужно с посадки: никогда не загущайте насаждения, вовремя прореживайте виноград, не допуская зарастания кроны.
     
  2. Выбирать под посадку следует хорошо прогреваемый участок.
     
  3. Поливать почву умеренно, не переливая ее, и стараться не лить на ягоды.
     
  4. Пораженные ягоды незамедлительно нужно удалять и уничтожать, а все соседние обработать 1%-ным раствором обычной соды.

Помогают подавить распространение заболевания и обработки раствором медицинского йода. Для этого в ведро воды выливают примерно 60-65 капель йода и обрабатывают таким раствором ягоды каждые 7-8 дней до полного исчезновения гнили.

Антракноз на винограде

Антракноз, зачастую болезнь проявляется на винограде в теплую и влажную погоду.

  • Эта грибная инфекция прекрасно зимует на частях виноградной лозы, если ее осенью не обработать.
     
  • Проявляется болезнь в виде коричневых пятен на листовых пластинках и на побегах.
     
  • Развитие болезни приводит к тому, что лоза начинает трескаться и отмирать. 

Меры борьбы и профилактики антракноза

Чтобы не допустить появление болезни нужно не допускать загущения лозы, вносить комплексные удобрения, не допускать переувлажнения грунта, бороться с сорняками, не допускать того чтобы лоза в летнее время лежала на земле.

  1. До начала цветения и осенью после уборки урожая желательно опрыскивать лозу 1%-ной бордоской жидкостью.
     
  2. Для борьбы с болезнью нужно использовать разрешенные в текущем сезоне фунгициды, для примера – Акробат, Антракол, Ридомил, Танос, Хорус и иные подобные в полном соответствии с инструкцией на упаковке.

Фото: признаки антракноза на листьях винограда

Черная пятнистость на винограде

Черная пятнистость, тоже грибная инфекция предпочитающая для своего активного развития теплую и влажную погоду. Обычно черную пятнистость именуют отмиранием побегов, ну а профессионалы виноградари называют ее эскориозом.

  • Болезнь поражает большей частью листовые пластинки и ягоды, но иногда перекидывается и на лозу.
     
  • В результате жизнедеятельности грибка на поверхности листовых пластинок, ягод и лозы образуются рыжеватые пятна, со временем теряющие окраску.
     
  • Чем глубже инфекция проникает в растение, тем оно медленнее начинает развиваться, а при сильном развитии инфекции вполне может погибнуть.
Если большая часть лозы покрылась черными грибковыми телами, то спасти ее будет уже невозможно

Профилактические меры те же самые что и в случае с антракнозом, и препараты для борьбы с черной пятнистостью — тоже фунгициды.

Фото: признаки черной пятнистости на ягодах винограда

Краснуха на винограде

Краснуха или красный ожог листьев винограда. Это также грибная инфекция, результатом жизнедеятельности сумчатого гриба является образование покраснения листовых пластинок, раннее их отмирание и опадение.

  • Развитие заболевания способствует сильным задержкам в росте и развитии соцветий, а также побегов и гроздей.
     
  • Интересно, что у сортов характеризующихся светлыми плодами пораженные листовые пластинки зачастую остаются желтыми, а с ягодами темной окраски становятся красными.
     
  • В результате развития болезни очень сильно падает урожайность винограда, порой до 70%, снижается морозостойкость, стойкость к иным видам инфекции.

Меры борьбы

В качестве профилактики, помимо обработок, описанных выше, рекомендую:

— обязательно вносить калийные удобрения, по 1 ч.л. сульфата калия весной, после цветения и после уборки урожая под каждое растение.  

Меры борьбы такие же как и против черной пятнистости:

— применение фунгицидов в строгом соответствии с инструкцией и обязательно закончить обработки нужно за 30 дней до уборки урожая.

Фото: красный ожог листьев винограда

Хлороз на винограде

Хлороз – может возникать в результате жизнедеятельности гриба, либо попадания в растение вируса либо из-за недостатка железа в почве.

  • При инфекционном поражении растения развиваться заболевание начинает от корня и когда проявляется хлороз на листьях, то спасти растение бывает крайне сложно или невозможно.
     
  • При недостатке железа, так называемый железный хлороз, проявляются изменения в первую очередь на листовых пластинках, они желтеют и умирают.
     
  • Гроздья при этом развиваются небольшие с мелкими ягодами, да и те обычно опадают. Спасти растения можно, обработав 1%-ным железным купоросом.

Меры борьбы

Обработки лучше проводить и профилактический, рано весной сразу поле распускания листьев разведите 100 г купороса в 10 л воды и внесите в почву по 3 литра под каждое растение. Можно тем же объемам опрыскать растение по листьям, после того как они полностью раскроются.

Фото: хлороз листьев винограда

Николай Хромов, кандидат сельскохозяйственных наук, старший научный сотрудник

Распознаем болезни винограда по фото

№1 Милдью

Наиболее опасна в дождливые годы. Самый большой ущерб урожаю наносит во время цветения, поражая грозди. Менее явный ущерб – во второй половине лета, когда осыпаются листья (потеря урожая будущего года).

Высокая температура и сухая погода способны сами по себе остановить дальнейшее развитие милдью, но, как правило, уже поздно – урожай перепорчен.

Важны профилактические обработки: при появлении трех-пяти листьев на побегах, по бутонам (перед цветением) и по завязи, когда они достигают размера мелкого гороха.

Хорошо справляется с милдью Консенто, Танос, Манкоцеб (Ридомил Голд, Акробат МЦ)

Если подбирать высокоустойчивые к милдью сорта: Плевен, Восторг, Алекса, Кеша, Талисман, Виктория и другие – можно ограничиться одним-двумя опрыскиваниями.

 

Милдью на грозди

 

 

Первые пятна милдью

 

№2 Войлочный клещ (или виноградный зудень)

Сам по себе вреда приносит мало. Главное – не поддаваться на провокации и не обрывать пораженную листву. Опрыскивание коллоидной серой или Тиовит джетом декоративный вид ей не вернут, но клещ погибнет…

Бороться с ним желательно, так как зудень может распространять вирусные болезни. Интересно, что этот вредитель любит сорта семейства Восторга, которые устойчивы к болезням и редко обрабатываются химпрепаратами.

 

Зудень

 

№3 Солнечный ожог

Частое явление на Юге. Чтобы его предотвратить, часто уменьшают ширину междурядий, отказываются от осветления гроздей или делают его постепенно, один-два листа в неделю, давая возможность гроздям акклиматизироваться к солнечному свету.

 

Солнечный ожог

 

№4 Филлоксера

По сути – это корневая тля винограда. Самый опасный вредитель этой культуры. Единственный способ борьбы, если она появилась на участке, – раскорчевать кусты в радиусе 30 метров и не сажать в этом месте виноград 10-15 лет.

Либо переходите на привитые кусты.

Тем не менее, лучше не допускать появления вредителя на участке. Для этого новые черенки или саженцы обязательно вымачивают пару часов в емкости с добавкой Дециса или Фуфанона и только после этого высаживают на постоянное место.

Опрыскивание в фазе трех-пяти листьев на побегах способно уничтожить 100% вредителей-бродяжек и предотвратить заражение. Удаление росяных корней (или посадка в целлофановые чехольчики) тоже дает определенные шансы на то, что вредитель не сможет прижиться на вашем участке.

И еще – филлоксера не живет на песчаных почвах.

 

 

Филлоксера, вид снизу

 

№5 Жемчужные железы

Они всегда есть на виноградных растениях – это шарообразные выросты (одноклеточные водянистые образования), заполненные клеточным соком. Образуются в период быстрого роста на молодых побегах и листьях (на нижней стороне) винограда, особенно часто наблюдаются при укоренении черенков.

Их назначение не выяснено, но подмечено, что чаще всего они образуются при повышенной влажности воздуха и почвы.

 

Жемчужные железы

 

№6 Антракноз

Это болезнь ослабленных растений, которая часто появляется на кустах, поврежденных градом. Борьба с нею в те же сроки и теми же препаратами, что и с милдью: Купроксат, Хом, Чемпион, Блу-бордо, Абиго-пик, Ридомил, Ордан…

 

Антракноз

 

 

Антракноз на листве

 

№7 Оидиум

Его часто путают с обычным растрескиванием ягод из-за сортовых особенностей или обилия влаги. Если при растрескивании обнажаются семена, значит это оидиум. Против оидиума свой ассортимент фунгицидов: Тилт 250, Фалькон, Строби, Квадрис, Фундазол, Топаз…

К счастью, в засушливых районах вспышки оидиума появляются довольно редко и удается ограничиться двумя-тремя профилактическими обработками.

 

Оидиум на листве

 

 

Оидиум – вторая по опасности болезнь после милдью

 

бурые пятна, оидиум, мучнистая роса

Хотя виноград является культурой неприхотливой, несмотря на это он требует за собой определенного ухода. Одним из таких мероприятий является профилактика и лечение болезней. Выводя новые виноградные сорта, селекционеры работают над этой проблемой, однако крупноплодные сорта с высоким содержанием сахара по-прежнему подвержены разного рода заболеваниям. Для того чтобы получать ежегодно высокий урожай виноградарю необходимо знать об опасности и уметь правильно с ней бороться и знать, что делать.

Основные виды болезней винограда

Самыми распространенными и часто встречающимися болезнями данной культуры являются:

  • милдью;
  • альтернариоз;
  • церкоспороз;
  • армилляриоз;
  • оидиум;
  • аспергиллезная гниль;
  • хлороз;
  • краснуха листьев;
  • септориоз;
  • эскориоз.

Милдью и его лечение

Второе и более распространенное название болезни — ложная мучнистая роса. Данное заболевание является очень опасным не только для куста винограда, оно способно поразить за короткие сроки всю виноградную плантацию. На начальной стадии проявляется в виде светлых пятен желтого-масляного цвета, величиной в копеечную монету на молодой листве. На более старых листьях пятна имеют угловатую форму и располагаются параллельно прожилок.

При дальнейшем развитии на обороте листа появляется грибница в виде белого пушистого налета. Если погода теплая с высокой влажностью воздуха грибковая инфекция стремительно распространяется на верхушки молодых побегов, усы, поражает соцветия и недавно завязавшиеся плоды.

Образуется данный вид грибкового заболевания в летний период в пластинах листа, где хорошо переживает зимовку.

Активизируются споры грибка при температуре +10 градусов. Наиболее благоприятными условиями для мгновенного распространения является повышение температуры воздуха от +20 до +27 градусов и влажности на протяжении от 3 до 5 часов. Однако при температуре +8, и выше + 30 градусов грибковая инфекция не распространяется, так как споры не прорастают.

Лист винограда, пораженный ложной мучнистой росой или милдью

Наиболее опасными периодами для распространения инфекции являются:

  • 20мая—13 июня;
  • 23—30 июня;
  • 15 июля—7 августа.

Для того чтобы избежать заражения необходимо:

  • правильный выбор участка для произрастания винограда;
  • осеннее мульчирование междурядий;
  • правильная формировка лозы для обеспечения хорошей воздухопроницаемости;
  • своевременная обрезка лишних побегов;
  • удаление сорной травы под кустами и в междурядьях;
  • дренажный или капельный полив;
  • подкормка минеральными удобрениями;
  • начиная с весеннего периода, профилактическая обработка бордосской жидкостью каждые 10 дней.
Оборотная сторона пораженного милдью листа

Заболевание альтернариоз

Альтернариоз, или оливковая пятнистость поражает листья винограда в результате повышенной влажности. Проявляется в виде пятен на обороте и оливково-серым налетом. При активном развитии грибка листья высыхают, скручиваются.

Данный вид грибкового заболевания поражает также плоды. При их хранении грибковая инфекция распространяется на здоровые кисти, поражая их. На плодах грибок проявляется в виде растрескивания и изменения вкусовых качеств ягод. Пораженные грибковой инфекцией отростки не вызревают, и не переносят зимовки. Споры грибка зимуют на зараженных побегах, плодах и в верхних слоях почвы.

Альтернариоз на листьях винограда

Необходимыми профилактическими мерами являются:

  • своевременная обрезка зараженных отростков;
  • удаление и сжигание сорняков и сухих листьев;
  • внесение подкормки;
  • обработка медным купоросом и бордосской жидкостью.
Начало поражения альтернариозом виноградных ягод

Сроки проведения профилактических мероприятий:

  1. В период с 21 марта до 12 апреля после подвязывания лозы опрыскать медьсодержащими препаратами.
  2. С 24 апреля по 9 мая произвести обработку биофунгицидом. Можно использовать для этих целей препарат «Трихофит».
  3. С 16 мая до 1 июня обработать препаратом «Квадрис». Продолжать обработку каждые 14 дней до начальной стадии созревания ягод.
  4. С 15 августа по сентябрь, после сбора урожая провести обрезку лозы и сжечь ее.
  5. С 20 октября по 10 ноября необходимо выгрести опавшую листву и обработать почву и лозу медьсодержащими препаратами.

Обрабатывать следует опрыскивателями с нижней стороны. При обработке верхней поверхности листа результатов не будет.

Церкоспороз и как с ним бороться

Данное грибковое заболевание поражает листья, отростки, плодоножки и плоды. В первую очередь поражается листва, находящаяся близко к земле, так как солнечные лучи плохо проникают в данную часть куста, и под кустами наблюдается повышенная влажность. Наиболее стремительное развитие данного заболевания происходит при температуре воздуха +30 градусов. Если температура поднимается до + 40 градусов, грибок прекращает рост. При прямом попадании солнечных лучей грибок погибает.

При сильном поражении грибком виноградные кусты плохо плодоносят, ухудшаются вкусовые качества плодов, лоза не достигает зрелости.

Проявляется в виде оливкового налета на нижней части листьев. Со временем на поверхности листа появляются бурые пятна, при легком касании листья опадают.

Пораженные ягоды покрываются легко стираемым оливковым налетом, становятся затвердевшими и опадают при прикосновении.

Церкоспороз на листьях винограда

Профилактические меры, необходимые для предупреждения заболевания:

  • обязательная обрезка винограда дважды за сезон;
  • глубокая перекопка междурядья в весенний и осенний периоды;
  • осуществление полива 4 раза за сезон;
  • удаление сорняков;
  • опрыскивание кустов осенью и весной 1% раствором бордосской жидкости;
  • обязательная подкормка.

При заболевании рекомендуется:

  • опрыскивать каждые две недели зараженные кусты фунгицидами;
  • сжигать зараженную листву.

Армилляриоз, поражающий корни

Данное заболевание является грибковой инфекцией, развивающейся на корнях растения. Инфекция заражает корни винограда, проникая в кору и выделяя токсичные вещества, убивает живые ткани, после чего развивается на инфицированных клетках. Распространяется грибными спорами. Споры являются чрезвычайно токсичными, они способны убить зараженное растение. Как правило, заражение происходит в весенний период, а осенью на кусте вырастают грибы желтого цвета.

Для развития данного заболевания должна быть повышенная влажность и температура воздуха от +15 до 26 градусов. Для предотвращения распространения заболевания необходимо выкорчевать зараженный куст, грунт обработать специальными фунгицидами и не высаживать на данном месте новых саженцев в течение года.

Чтобы не допустить инфицирования виноградника армилляриозом необходимо кусты, растущие вдоль лесополосы отделить при помощи канавы.

Армилляриоз на корнях виноградной лозы

Аспергиллезная гниль

При данном заболевании поражаются плоды винограда. Отличительной особенностью данного заболевания является ее стремительное развитие при высокой температуре воздуха — выше +31 градуса.

Первые симптомы появления аспергиллезной гнили на ягодах винограда. Нужно удалить больные ягоды

На начальной стадии ягода, пораженная другим грибковым заболеванием, становится благотворной средой для размножения мушки дрозофилы.

Сначала на ягодах появляется мало заметный белый налет, затем темные вдавленные пятна. Кожица в этих местах стягивается и растрескивается. Мякоть ягоды загнивает из-за наличия личинок мушки дрозофилы. На поверхности трещин налет изначально имеет белый цвет, потом темнеет и превращается в темную порошковую массу.

Мерами борьбы с данным заболеванием являются:

  • уничтожение остатков со спорами грибка;
  • своевременный сбор урожая.
При невыполнении рекомендаций аспергиллезная гниль моментально распространяется по всей грозди

Оидиум или мучнистая роса

Грибковое заболевание имеет второе название — мучнистая роса. Оно поражает зеленую массу куста, побеги соцветия. При поражении соцветия не развиваются и не вызревают. Живет и прогрессирует данное заболевание только на живых клетках. Зимует в трещинах коры и на почках.

Споры, попадая на листья, быстро размножаются, разносимые ветром. Исключительными условиями является повышенная влажность воздуха (более 80%). В зависимости от температурного режима инкубационный период длится от недели до двух недель. Благоприятной температурой для быстрого развития заболевания является температура +20 градусов.

Признаки заражения:

  • белый налет на обеих сторонах листа;
  • край листьев изогнут, желтого цвета;
  • налет, появившийся на гроздьях и цветах, напоминает муку;
  • побеги покрываются темными пятнами;
  • на отростках появляются отмершие участки.

Меры профилактики заключаются в следующем:

  • перекапывание грунта, уборка листвы и сорной травы ;
  • подкормка фосфорно-калийными удобрениями;
  • обработка средством «Топаз»;
  • своевременная обрезка кустов с целью предотвращения загущения виноградника;
  • обработка инструмента после обрезки;
  • аккуратный полив без попадания на кусты;

Для лечения заболевания рекомендуется применять раствор серы, приготовленный в следующей пропорции:

  • вода—10 литров;
  • сера—100 грамм.

Данным раствором необходимо обработать кусты в вечернее время.

Не рекомендуется проводить обработку днем, так как на листьях и плодах при высокой температуре воздуха сера может вызвать ожог.

Оидиум на винограде. Заболевание не дает развиваться гроздям.

Хлороз и меры борьбы с ним

Заболевание хлорозом происходит при недостатке железа. Растение не производит фотосинтез, в результате чего останавливается развитие куста и снижается урожайность. Проявляется в виде пятен на листах ярко-лимонного цвета. Побеги прекращают развитие, а листы высыхают и отпадают. Плоды становятся мелкими и не достигают зрелости. Ослабленный куст может не перенести зимовку.

Профилактикой данного заболевания является обработка кустов препаратом «Хелат».

Пораженные хлорозом листья винограда приобретают насыщенный лимонный оттенок

Краснуха листьев

В конце весны или начале лета виноградные кусты могут заразиться данным грибковым заболеванием. Поражает оно виноградные листья, поврежденные насекомыми.

Определить заражение куста краснухой можно по следующим признакам:

  • листы в местах поражения имеют пятна виде кленового листа, покрытого ржавым налетом;
  • до начала периода цветения зараженные листья опадают;
  • у белых сортов винограда листья покрываются светло-желтыми пятнами, постепенно темнеющими, очерченными желтой каймой;
  • у темных сортов пятна ярко-красные.

Чтобы избежать инфицирования нужно:

  • обрабатывать листья бордосской смесью;
  • проводить регулярную обрезку кустов;
  • выгребать и сжигать опавшую листву;
  • вносить подкормки в почву;
  • перекапывать междурядья.
Варианты краснухи листьев винограда

Септориоз

Характерен для мускатных сортов винограда. Проявляется в виде небольших коричневых пятен на листах. Если влажность повышенная, то на нижней стороне листьев образуется плесень. При засыхании она опадает и распространяет споры грибка.

Чтобы предотвратить распространение заболевания необходимо удалить опавшую листву и поврежденные растения.

В качестве профилактики необходимо провести обработку 1% раствором бордосской смеси.

Листья, пораженные септориозом начинают плесневеть и засыхать

Болезнь эскориоз

Эскориоз является опасным грибковым заболеванием, поражающим все части растения. Представляет собой черные пятна на листьях и побегах куста. Наиболее быстрое распространение при прохладной погоде с повышенной влажностью. Пораженные кусты становятся слабыми, при этом снижается их морозоустойчивость.

Для борьбы с данным заболеванием используют препарат ДНОК. В период вегетации растений можно применить обработку бордосской жидкостью.

При сильном поражении кустов после осенней обрезки удаляют засохшие рукава и тщательно обрабатывают кусты медьсодержащими препаратами.

Эскориоз на ветке лозы

Профилактические меры:

  • обязательное внесение удобрений, содержащих цинк и бор;
  • своевременное формирование куста;
  • удаление и сжигание пораженных частей;
  • использование здоровых саженцев для посадки.

Чтобы защитить виноградник от болезней, необходимо соблюдать условия выращивания винограда и своевременно проводить профилактические мероприятия по предотвращению распространения инфекций. Рекомендуется высаживать те сорта, которые наиболее подходят для выращивания в данном регионе.

Определитель болезней и вредителей винограда

Желтые наплывы на концаx корней, наросты на более старыx корняx с желтыми тлями

Филлоксера виноградная

Более старые корни обгрызаны или оставлены заостренные концы

Водяная полевка

а) белые согнутые личинки с 6 ногами

Личинки майского xруща

б) мелкие, светло-желтые личинки без ног

Личинки бороздчатого скосаря

в) желто-бурые, жесткие длинные членистые личинки с 6 ногами

Проволочники

Объедены более молодые корни, светлые вздутия, вредителей не видно

Нематоды

Белый мицелий гриба на отмирающиx корняx

Гниль корней розеллиниозная

Ракообразные наросты на штамбе

Рак корней и побегов бактериальный

Под корой и в трещинаx мелкие белые тли, поxожие на кровяную тлю

Мучнистые червецы

Большей частью рядами бурые полукруглые бугорки, под корой плоские коричневые молодые личинки

Ложнощитовка акациевая

На коре нарост на сплетении в виде ватного тампона

Подушечница виноградная

Под корой мелкие черные пустулы

Плодовые тела возбудителя черной пятнистости

Почки не развертываются

Повреждение морозом, плоxое развитие, серая гниль

Вокруг мертвыx почек темные участки коры

Серая гниль

Замедленное начало развития почек

Клещи виноградные листовые (Calepitrimerus), вирусные болезни

Набуxающие почки выедены чашеобразно или съедены полностью

Гусеницы совок

Набуxающие почки обгрызаны

Скосарь бороздчатый, реже проволочники

Карликовые, растущие в сторону, засыxающие

Клещи виноградные листовые (Calepitrimerus)

Зигзагообразное расположение междоузлий, частые двойные узлы и короткие междоузлия

Инфекционное вырождение

Укороченные со сближенными узлами, иногда верxушки побегов отмерли

Недостаток бора

Растущий побег слабый, хилый, изогнутый, белесый.

Этиолированный побег

Побитые, чаще всего с одной стороны

Град

Полностью съедены

Зайцы, кролики

Надломленные с пробуравленной дырой

Стеблевой кукурузный мотылек

Ощипанные

Косули

Летом на нижниx междоузлияx черные продолговатые, в середине обычно лопнувшие пятна. Поздней осенью кора бело-серая с многочисленными темно-серыми точками

Черная пятнистость

Круговые утолщения на междоузлиях со следами продольных надрезов

Буйволовидная цикадка

Осенью не вызревают, пояски или участки коричневой корой

Золотистое пожелтение

Многочисленные бородавки на коре

Золотистое пожелтение

Серый, легко стираемый налет сверxу и снизу

Мучнистая роса (оидиум)

Блестяще белый мицелий гриба с нижней стороны

Ложная мучнистая роса (милдью)

Нестираемый белый, до розоватого войлок с нижней стороны, в углубленияx листа

Клещ войлочный виноградный

Лакообразное маслянистое покрытие

Медвяная роса (см. щитовки)

Прозрачные маслянистые пятна

Ложная мучнистая роса (милдью)

Более крупные высоxшие участки

Ложная мучнистая роса (милдью)

Клиновидные, ограниченные крупными жилками, коричневые или рубиновые пятна

Краснуxа

Листья в зоне гроздей с мелкими круглыми или овальными бурыми некротическими пятнами и частичным пожелтением

Черная пятнистость

Мелкие (0,5-3 мм) бурые, а затем чернеющие пятна

Септориоз

Очень мелкие (от 0,1 до 0,5 мм), бронзовые точки на верхней стороне более старых листьев

Поражение озоном (озоновый ожог)

Листья ближе к верxушкам побегов все более желтые, часто отмирают

Хлороз

Листья тускло-бурые до бронзовыx с многочисленными точечными черными проколами

Паутинные клещи

Мозаично осветленные или обесцвеченные

Недостаток бора

Обесцвеченные по краям и между жилками, а у красныx сортов красного цвета, начиная с нижниx листьев

Недостаток магния. Признаки только на нижних листьях, более молодые листья нормальные, возможно — весенняя лихорадка.

Сначала сине-фиолетовое потом шоколадно-бурое окрашивание верxней стороны листа, позже отмирание по краям и между жилками

Недостаток калия. Признаки только на нижних листьях, более молодые листья нормальные, возможно — весенняя лихорадка.

Кольца или полосы, сxодные с водяными знаками

Инфекционное вырождение

Мозаика из светлыx темно-зеленыx тонов

Инфекционное вырождение

Лимонно-желтые или белые пятна

Белая мозаика (пестролистность)

Появление в середине лета красных пятен на листьях окрашенных сортов и бледно-зеленых или бледно-желтых пятен на листьях белоягодных сортов

Вирус красного пятна

Лимонно-желтые или белые полосы на жилкаx

Белая мозаика (пестролистность)

Однородная лимонно-желтая окраска

Белая мозаика (пестролистность)

Структура листьев нежная, мягкая, цвет листьев от белесого до белого цвета.

Этиолированный побег

До цветения самые нижние листья на кустах начинают обесцвечиваться (светлеть), сначала с краёв, потом по всей листовой пластинке, доходя до центральной жилки листа. Впоследствии края листьев усыхают и закручиваются вверх. Новые нарастающие листья выглядят нормально

весенняя лихорадка

Листья скручены вниз, вдоль жилок или полностью окрашены в желтый цвет, пластинка листа негибкая и ломкая

Золотистое пожелтение

Листья местами или между главными жилками изъедены с дырками и погрызами

Повреждение дымом при окуривании

а) не выxодят за пределы более крупныx жилок (весной)

Долгоносик-трубковерт

б) выxодят за пределы более крупныx жилок (летом)

Падучка виноградная

Поверxность листа объедена от краев

Майский xрущ, бороздчатый скосарь, гусеницы совок и разных мелких бабочек

Вблизи черешка между жилками разрывы при красно-буром окрашивании

Паутинные клещи

Нерегулярные разрывы по всей поверхности листа с желтыми пятнами

Клещи виноградные листовые (Calepitrimerus)

Дыры и разрывы на листьях

Град

Светлые пятна проколов с жилками, сливающимися как звездочки. Вредителя нельзя обнаружить

Клещи виноградные листовые (Calepitrimerus)

Вокруг темныx точек осветленные пятна без слияния жилок. На нижней стороне сплетения и еще различимые глазом подвижные красные или желтые клещи

Паутинные клещи

Осветления, похожие на места проколов, разрастание жилок

Инфекционное вырождение

а) в пучке извивающаяся серо-зеленая гусеница

листовертка виноградная

б) в пучке спирально свернувшаяся гусеница

Листовертка Cnephasiella pasivana

Отдельные листья свернуты в «сигару»

Долгоносик-трубковерт

а) на нижней стороне не видно вредителей

Клещи виноградные листовые (Calepitrimerus)

б) на нижней стороне подвижные красные или желтые клещи
Паутинные клещи
Бугорки на верxней стороне листа

Виноградный войлочный клещ

На нижней стороне листа мелкие вздутые пробковые наросты, похожие на бородавки. На верхней стороне листа эти наросты выглядят как точки

Оэдема

Небольшие прозрачные шарики на молодых растущих листьях, их черешках, зеленых побегах винограда
Жемчужные железы (не заболевание)
На нижней стороне листа галлы размером с горошину. Преимущественно на подвойныx сортаx

Листовая форма филлоксеры

Листья скручены краями вниз, преждевременная осенняя окраска

Скручивание листьев

Некоторые листья начинают принимать «чашевидную» форму с загнутыми вниз краями, деформированную и с «петрушечными краями», явление может быть на нескольких побегах на кусте или на нескольких кустах в винограднике

Аномальные симптомы на листьях винограда

Листья асимметричны, остро-зубчатые, глубоко вырезанные жилки стянуты, место прикрепления черешка расширено

Инфекционное вырождение. См. также Аномальные симптомы на листьях.

Бугорки от виноградного клеща лимонного цвета

Белая мозаика (пестролистность)

Листья свернуты кулечком

Инфекционное вырождение

Листовые пластинки сильно недоразвиты, жилки частично не покрыты тканью

Листовидные выросты (филлодии)

Курчавость листьев, деформации

Клещи, трипсы, цикады

Веерообразные листья с острыми точками на краях листьев

Повреждение гербицидом 2,4-D

Купирование листьев, появление отчетливого окаймления листовой пластинки с бахромой

Повреждение гербицидом дикамба

Листья в форме стрелки, так называемая «гусиная лапка», чашевидные и закрученные вверх листья, укороченные междоузлия

Повреждения гербицидом на основе глифосата

а) бурыми гусеницами с черной головой

Двулётная листовертка

б) оливковыми гусеницами с желтой или коричневой головой

листовертка гроздевая

в) зелеными очень подвижными гусеницами с черной головой

листовертка виноградная

Белоснежный налет, все соцветие засыxающее

Ложная мучнистая роса (милдью)

Белым пушком большей частью покрыта верxушка соцветия

Виноградный войлочный клещ

Серый налет, соцветия высыxающие

Серая гниль

Чрезмерное осыпание соцветий

Кулюр, дефицит бора, вегетативный дисбаланс, некоторые вирусы.

С начала созревания на гребне появляются удлиненные темно-бурые или черноватые пятна, часто окольцовывающие гребень и его боковые ветки. Перетянутые части гребня вянут, ягоды сморщиваются

Паралич гребней

Горошащиеся ягоды, которые остаются зелеными ко времени созревания нормальных ягод в грозди

Мильондаж

Гребень местами отмер, крошится, большей частью с серым грибным налетом

Гниль гребней

а) зеленый

Оливковая (сизая) гниль

б) серый

Серая гниль

Пылевидный, серовато-белый налет

Настоящая мучнистая роса (оидиум)

Совершенно белые ягоды

Ложная мучнистая роса (милдью)

Ржавые пятна на ягодаx

Ожог от препаратов меди

Сначала фиолетовые, позже бурые пятна, большей частью только на солнечной стороне незакрытыx гроздей

Ожог серой

Коричневые, как бы ошпаренные места, которые позже углубляются, сильнее всего солнечной стороне незащищенныx гроздей

Солнечный ожог, повреждения жарой

Все ягоды с вмятинами на одной стороне, часто лопнувшие

Град

Ягоды с плесневидным налетом, лопнувшие

Настоящая мучнистая роса (оидиум)

Ягоды синевато-сморщенные кожистые

Ложная мучнистая роса (милдью)

а) буро-красные гусеницы с черной головой

Двулётная листовертка

б) оливковые гусеницы с коричневой головой

Гроздевая листовертка

а) оборваны или грубо обклеваны

Скворцы, черные дрозды

б) высосаны

Осы

Увядание ягод с отвратительным вкусом

Золотистое пожелтение

Коричневые загнивающие ягоды в грозди, пахнут уксусом

Кислая гниль

Милдью винограда: описание болезни, фото, профилактика и лечение

Или Ложная мучнистая роса считается самым популярным и вредным грибковым заболеванием винограда во всех зонах виноградарства Украины.

Признаки и свойства заболевания

Проявляется заболевание в виде характерных «маслянистых» пятен разной величины, зеленоватого или желтоватого оттенков на пораженных листьях.

В дождливую погоду снизу виноградного листа напротив пораженных участков возникает белесоватый налет, похоже на то, как будто лист присыпали золой.

После основного возникновения на листьях заболевание может перекинуться и на грозди (или соцветия), что весьма опасно для урожая.

Производящие органы винограда как правило больше восприимчивы к милдью, нежели листья.

На гроздьях (или соцветиях) милдью поражает гребешок, на нем возникают вытянутые пятна яркого зеленых тонов как будто пропитанные водой. И если не проводить лечение милдью винограда, заболевшие соцветия буреют, а ягоды обретают сине-бурый цвет, сморщиваются.

Ткань пятнышка позже отмирает, что нарушает обычное сокодвижение и приводит к усыханию части грозди (соцветия). Если грибница гриба проникла в цветоножку (плодоножку) и цветы (или завязь и молодые плоды), в таком случае соцветие в время цветения (или кисть с завязями ягод) покрывается белесым налетом спороношения гриба, после чего цветы и завязь засыхают и осыпаются.

В запущенном состоянии болезни могут поражаться все зеленые части куста винограда, соцветия, верхушки побегов, молодые гребни и усики. Очень пораженные листья раньше времени опадают, а макушки побегов засыхают. Зеленые побеги, пораженные милдью могут быть совсем без листьев.

Болезнь винограда милдью провоцируется грибом. Источником инфекции гриба являются ооспоры, которые зимуют в тканях опавших ягод и листьев, которые были заражены.

Весной, при среднесуточной температуре не ниже 8°С, после достаточного увлажнения почвы ооспоры прорастают, распространяются ветром на большие расстояния. При наличии капельной влаги на нижней стороне листка прорастают и через его открытые устьица проникают в зеленые органы винограда.

Инкубационный период милдью (время от проникновения в устьице до проявления признаков заражения) зависит от температуры воздуха.

Знание длительности инкубационного периода имеет важное значение для борьбы с болезнью, так как защитные мероприятия начинают проводить в конце. Самый короткий инкубационный период составляет 4 дня при температуре воздуха около 25°С. На протяжении роста виноградного куста возбудитель милдью может дать 15-16 генераций.

Особенно подходящие условия для того, чтобы болезнь проявилась — относительно большая влажность и температура воздуха. Как правило, такие условия возникают в середине июня после дождей или гроз.

Меры борьбы с милдью на винограде

Защитные мероприятия базируются на комплексе агротехнических приемов, способствующих вентилированию кустов: чеканка побегов, их подвязка, мульчирование почвы под кустом, систематическая борьба с сорняками, уместное внесение фосфорно-калийных удобрений, своевременная уборка остатков растений.

Однако основным методом защиты виноградных насаждений от милдью является химический.

Заключается он в квалифицированном составлении прогноза развития заболевания, подбора эффективных защитных средств, на основе которых составляется система защитных мероприятий. Количество защитных обработок регламентируется погодными условиями текущего сезона вегетации и периодом защитного действия применяемых средств.

Учитывая эпитофитотийный характер развития распространения милдью и способность спор сохраняться в остатках растения или плодов, для защиты урожая необходимо планировать 4-5 опрыскиваний всех насаждений фунгицидами.

Сориентироваться по срокам и препаратам поможет Вам статья «Календарь обработок винограда» (ссылка- vinograd-loza.com/stati/kalendar-obrabotok-vynohrada), где можно не только ознакомиться с различными вариантами и графиками обработок, но и скачать их в удобном формате.

Приблизительные сроки обработок по борьбе с милдью винограда

Первая проводится по молодому приросту зеленых побегов в 15-20 см, следующая обработка перед цветением, третья после цветения, четвертая после того, как плод достигнет размера 3 — 5 мм (см. Календарь обработок винограда). Чем же лечить милдью винограда?

Препараты от милдью на винограде

  • Ордан СП (он же Курзат Р) 25-30 гр — срок действия 30 дней,
  • Ридомил Голд 25-30 гр — работает 60 дней,
  • Танос (он же Профит Голд) 4-6 гр — срок 30 дней,
  • ХОМ 40 гр — ожидание 30 дней,
  • Ревус или Ревус Топ 5-6 мл — 10 дней,
  • Превикур Энжи 8-15 мл — 30 дней,
  • Строби 3-4 гр — 20 дней,
  • Хорус 6-7 гр — 7 дней (обработку проводить при температуре от +5 до +15°С, не выше),
  • Бордосская — 1% 100гр медного купороса и 75 гр извести, или Бургунская — 1% смеси — 100гр медного купороса и 100-120 гр Кальцинированной соды — 15 дней,
  • Антракол, Купроксат, Хлорокись меди.

Необходимо также учитывать, что в питомниках и на молодых посадках необходим строгий фитосанитарный контроль, более частое проведение защитных обработок.

Понравилась статья? Подписывайтесь на канал и расскажите друзьям.

Поделитесь с читателями в комменариях или в группе фейсбук — facebook.com/groups/840750949432929, как, когда и чем Вы обрабатываете виноград от милдью.

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

Введение

Виноградная промышленность является одной из основных отраслей фруктовой промышленности в Китае, и общий объем производства винограда достиг 13,083 млн тонн в 2017 году. развитие виноградарства и нанесли значительный экономический ущерб. Следовательно, идентификация и диагностика болезней листьев винограда привлекла большое внимание садоводов и специалистов по борьбе с болезнями и вредителями.

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

В этой статье представлен инновационный подход к распознаванию болезней листьев винограда на основе CNN. Этот подход направлен на преодоление двух основных проблем: во-первых, моделям CNN требуется большой объем данных для обучения. Однако каждая болезнь листьев винограда проявляется в разный период времени, и время для сбора изображений болезней ограничено.Таким образом, для обучения модели недостаточно изображений больных виноградных листьев. Во-вторых, задача мелкозернистой классификации изображений болезней виноградных листьев является сложной, и модели, обученные с помощью передачи обучения, с трудом достигают удовлетворительной производительности. Поэтому разработка оптимальной структуры CNN для распознавания болезней листьев винограда является сложной задачей.

Новаторство статьи заключается в применении усовершенствованного алгоритма CNN для распознавания болезни листьев винограда, и основные вклады и инновации этой статьи резюмируются следующим образом:

● Создан набор данных о болезни листьев винограда, основание для обобщения модели.Во-первых, для повышения надежности модели собираются изображения больных листьев винограда со сложным и однородным фоном. Кроме того, чтобы смягчить явление переобучения модели, исходные изображения больных листьев винограда обрабатываются с помощью технологии увеличения данных для создания достаточного количества обучающих изображений. Кроме того, технология цифровой обработки изображений используется для имитации изображений заболеваний листьев винограда в различных условиях, что значительно повышает эффективность обобщения модели.

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

По результатам экспериментов точность модели DICNN достигает 97,22%, что лучше, чем у других классических моделей. Кроме того, после увеличения данных с использованием набора данных из 107 366 больных изображений виноградных листьев точность увеличивается на 14,42%, тем самым демонстрируя более высокую надежность и лучшую производительность распознавания.

Оставшаяся часть документа организована следующим образом: Связанная работа представляет и резюмирует связанную работу. В Генерация набора данных о заболеваниях листьев винограда, основанном на получении изображений натуральных листьев винограда, многочисленные изображения листьев винограда генерируются с помощью технологии обработки изображений. Идентификационная модель болезней листьев винограда представляет модель DICNN. Экспериментальные результаты и обсуждение представляет эксперименты для оценки производительности модели и анализирует результаты экспериментов.В последнем разделе представлены выводы статьи.

Родственная работа

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

В (Hamuda et al., 2017), Hamuda et al. предложил алгоритм автоматического обнаружения урожая. Алгоритм использовался для обнаружения цветной капусты из видеопотоков при естественном освещении в различных погодных условиях, а результаты обнаружения сравнивались с достоверными данными, полученными с помощью ручной аннотации .Этот алгоритм реализовал чувствительность 98,91% и точность 99,04%. В (Akbarzadeh et al., 2018), Akbarzadeh et al. предложил подход к классификации растений, основанный на методе опорных векторов. Набор данных состоял из спектральных характеристик отражения кукурузы и серебристой свеклы при 635, 685 и 785 нм со скоростью 7,2 км/ч. Экспериментальные результаты показали, что предложенный алгоритм эффективно классифицировал растения с точностью 97%. В (Wang et al., 2019), Zhang et al.предложил метод распознавания мучнистой росы огурцов, основанный на визуальных спектрах. Благодаря классификации и распознаванию спектральных характеристик диапазон видимого света от 450 до 780 нм был выбран в качестве диапазона исследований. Затем для построения модели классификации использовался алгоритм SVM, а для оптимизации модели применялась функция ядра с радиальным базисом. Результаты экспериментов показали, что эта модель реализовала точность 100% и 96,25% для здоровых листьев огурца и листьев, пораженных мучнистой росой, соответственно, а общая точность составила 98.13%. В (Waghmare et al., 2016), Waghmare et al. предложил метод выявления болезней винограда с помощью анализа текстуры листьев и распознавания образов. В качестве входных данных система брала один лист растения, а после удаления фона выполнялась сегментация. Затем сегментированное изображение листа анализировали с помощью фильтра верхних частот для обнаружения пораженной части листа. Наконец, извлеченный образец текстуры был передан мультиклассовой SVM. В (Mohammadpoor ​​et al., 2020), Mohammadpoor ​​et al.предложил интеллектуальный метод обнаружения вируса виноградного веерного листа. На основе алгоритма Fuzzy C-mean была выделена область пораженных участков каждого листа, а затем классифицирована с помощью SVM. Кроме того, для повышения диагностической надежности системы был применен метод перекрестной проверки K-кратности с k = 3 и k = 5. Экспериментальные результаты показали, что средняя точность системы составляет около 98,6%. Однако алгоритмы машинного обучения требуют громоздкой предварительной обработки изображений и выделения признаков (Кулин и др., 2017; Чжан и др., 2018). Напротив, CNN может автоматически различать и извлекать отличительные признаки для идентификации изображения.

В последние годы CNN сделали большой прорыв в компьютерном зрении. Таким образом, использование CNN для выявления болезней растений стало центром исследований в области сельскохозяйственных информационных технологий. В (Khan et al., 2018), Khan et al. изолировали области заражения от фона и использовали VGG и AlexNet для извлечения особенностей областей заражения.Были проведены эксперименты на Plant Village и CASC-IFW, и была достигнута точность классификации 98,60%. Экспериментальные результаты показали, что предложенная модель превосходит имеющиеся подходы с высокой точностью и точностью распознавания. В (Zhang et al., 2019), Zhang et al. предложил алгоритм идентификации болезней огурцов, основанный на AlexNet, а именно GPDCNN. Подход эффективно объединил контекстную информацию, объединив глобальные объединяющие слои с помощью расширенной свертки , что может оптимизировать сходимость и повысить скорость распознавания.Модель GPDCNN была обучена шести распространенным заболеваниям листьев огурцов, и была достигнута точность распознавания 94,65%. В (Liang et al., 2019), Liang et al. предложил систему диагностики взрыва риса, основанную на CNN. Модель была обучена на наборе данных из 5808 больных изображений, которые включали 2906 положительных образцов, и продемонстрировала удовлетворительные характеристики с точки зрения точности распознавания, AUC и ROC. Экспериментальные результаты показали, что предложенная модель может извлекать более различительные и эффективные признаки высокого уровня, чем традиционные подходы LBPH и Haar-WT.В (Zhang et al., 2019), Zhang et al. обучили трехканальную модель CNN для распознавания болезней листьев томатов и огурцов. В этом подходе использовались три канала RGB по отдельности для использования информации о цвете и реализовано автоматическое извлечение нездоровых функций с помощью информации о цвете. На наборе данных болезней листьев томатов и огурцов предложенная модель превзошла традиционные подходы с точки зрения точности классификации. В (Wah et al., 2019), Wagh et al. предложил систему автоматической идентификации болезней винограда для распознавания пяти болезней, включая мучнистую росу, ложную мучнистую росу, ржавчину, бактериальную пятнистость и антракноз.Извлечение признаков и обучение модели изображений листьев выполнялись с использованием предварительно определенной архитектуры AlexNet. И результаты экспериментов показали, что модель способна точно классифицировать болезни винограда. В (Ji et al., 2019), Ji et al. предложил единую архитектуру сверточных нейронных сетей, основанную на интегрированном методе. Предлагаемая архитектура CNN, а именно UnitedModel, была разработана для классификации распространенных болезней листьев винограда. UnitedModel удалось извлечь дополнительные отличительные признаки благодаря комбинации нескольких CNN.И результаты экспериментов показали, что UnitedModel продемонстрировала наилучшую производительность по различным показателям оценки и достигла средней точности теста 98,57%.

Согласно этим исследованиям, CNN получили удовлетворительные результаты в распознавании болезней растений. Однако CNN редко используются в области идентификации болезней листьев винограда. Кроме того, большинство алгоритмов идентификации изображений, ориентированных на приложения, основаны на популярных методах трансфертного обучения, и в алгоритмы было внесено несколько улучшений.Следовательно, в этой статье предлагается модель идентификации изображений, основанная на CNN для болезней листьев винограда.

Создание набора данных о заболеваниях листьев винограда

Сбор данных

Поскольку подходящего набора данных для идентификации болезней листьев винограда нет, большое количество времени уходит на сбор изображений больных листьев винограда. В общей сложности с помощью цифровой камеры было получено 7669 изображений листьев винограда, которые относятся к семи категориям: антракноз, бурая пятнистость, клещи, черная гниль, ложная мучнистая роса, пятнистость листьев и здоровые листья.Классы антракноза, клещей, ложной мучнистой росы и здоровых листьев собираются в хорошую погоду на экспериментальной станции посадки винограда Северо-Западного университета A&F, провинция Шэньси, Китай. И эта часть набора данных включает в себя в общей сложности 4023 изображения. Классы бурой пятнистости, черной гнили и пятнистости листьев собраны из общедоступных наборов данных, и эта часть набора данных включает в себя в общей сложности 3646 изображений. Таблица 1 иллюстрирует детали исходного набора данных о болезни листьев винограда.

Таблица 1 Исходный набор данных о болезни листьев винограда.

Семь репрезентативных изображений набора данных показаны на рис. 1, где отчетливо видны различия между семью типами изображений. Поверхность здорового виноградного листа зеленая, без пятен. Антракнозное пятно почти круглое. Центральная часть пятна белая, а край темно-фиолетовый. Для категории коричневой пятнистости на поверхности виноградных листьев присутствуют коричневые пятна неправильной формы. Середина каждого пятна темно-коричневая, а края коричневые. Клещи вызывают множество белых пятен неправильной формы на обратной стороне листьев, а поверхность листьев покрывается волдырями.Пятна черной гнили почти круглые с темно-коричневой серединой и коричневыми краями. На передних сторонах листьев винограда при ложной мучнистой росе постепенно появляются желто-зеленые болезнетворные пятна, а на обратной стороне листьев – белая морозная мучнистая роса. Пятнистость листьев проявляется в виде темно-коричневых пятен на поверхности листьев винограда. Различия между этими пятнами болезни способствуют распознаванию различных болезней листьев винограда.

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

Увеличение данных

Проблема переобучения на этапе обучения CNN может быть решена с помощью увеличения данных. Когда подбирается случайный шум, а не основная связь, возникает проблема переобучения моделей глубокого обучения (Heisel et al., 2017). С большим количеством изображений после расширения с помощью методов увеличения данных модель может изучить как можно больше нерелевантных шаблонов в процессе обучения, тем самым избегая переобучения и повышая способность защиты от помех в сложных условиях.

Несколько технологий обработки цифровых изображений используются для реализации операций дополнения данных. Воздействие погодных факторов во время съемки моделируется через интерференцию интенсивности изображения , которая включает интерференцию яркости, контрастности и резкости. Размытие по Гауссу имитирует влияние туманной погоды на получение изображения. Взаимное положение камеры и больных листьев имитируется с помощью преобразований вращения (включая 90 градусов, 180 градусов и 270 градусов) и с помощью операций горизонтальной и вертикальной симметрии.Гауссовский шум, интерференция контраста и резкость используются для имитации влияния факторов оборудования. Кроме того, дрожание PCA применяется для расширения исходного набора данных.

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

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

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

∇2[c(x,y)]=[∇2R(x,y)∇2G(x,y)∇2B(x,y)]

Изображение поворачивается путем поворота каждого пикселя на тот же угол вокруг центра. Предположим, что P( x , y ) является произвольной точкой на изображении и что ее новая координата после поворота по часовой стрелке на θ ° равна P 2 (x,h-y).Вычисленные координаты двух точек выражаются следующим образом:

{X=rcos(α−θ)=xcosθ+yrsinθY=rsin(α−θ)=−xcosθ+yrcosθ

В операции вертикальной симметрии используется горизонтальная срединная линия изображения в качестве оси для выполнения симметричного преобразования всех пикселей. Предположим, что h представляет собой высоту, а P( x , y ) — произвольная точка на изображении. После обработки вертикальной симметрии координаты новой точки P 2 (x,h–y). Операция горизонтальной симметрии аналогична операции вертикальной симметрии.

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

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

После процесса аугментации изображений был получен набор данных изображений больных листьев винограда, который включает 15 736 изображений из класса антракноза, 19 362 изображения из класса бурой пятнистости, 15 484 изображения из класса клещей, 16 618 изображений из класса класс черной гнили, 12 740 изображений класса ложной мучнистой росы, 15 064 изображения класса пятнистости листьев и 12 362 изображения класса здоровых листьев. Затем все изображения в наборе данных изменяются до 256 × 256. Наконец, набор данных делится на три части в соотношении 6:2:2, которые соответственно используются в качестве обучающего набора, проверочного набора и тестовый набор.Подробная информация о наборе данных представлена ​​в таблице 2.

Таблица 2 Набор данных о болезни листьев винограда.

Идентификационная модель болезней виноградных листьев

Вдохновлена ​​архитектурой и характеристиками четырех классических моделей CNN, а именно, VGG16 (Simonyan and Zisserman, 2014), GoogLeNet (Szegedy et al. , 2015), ResNet (He et al., 2016) и DenseNet (Huang et al., 2017), новая модель на основе CNN, а именно DICNN, предлагается для диагностики семи распространенных классов виноградных листьев.Согласно табл. 3 и рис. 3 модель DICNN включает в себя три части: первая часть — «предсетевой модуль», а ее первый глубокий сепарабельный сверточный слой фильтруется 64 ядрами размера 3 × 3. Затем 3 × 3 слоя max-pooling добавляются после первого глубокого разделяемого сверточного слоя. Следующий глубокий сепарабельный сверточный слой содержит 64 ядра свертки размером 3 × 3, за которым следует слой максимального объединения 3 × 3 и слой пакетной нормализации. Далее идет начальная структура, за которой следует еще один слой максимального объединения.Второй модуль, а именно «каскадный плотный начальный модуль», состоит из четырех начальных структур с плотными связями. Применение стратегии плотной связности повышает эффективность использования карт признаков и способствует слиянию многомерных признаков среди начальных структур, повышая эффективность диагностики болезней листьев винограда. Последний модуль состоит из двух уровней максимального пула, начального уровня, уровня глобального среднего пула (GAP) и 7-стороннего уровня Softmax.

Таблица 3 Состав модели DICCN.

Рисунок 3 Структурная схема модели DICNN.

Deep Separable Convolutional Layer

Ограниченное количеством изображений набора данных болезни листьев винограда модель большого размера склонна к переоснащению в процессе обучения. Таким образом, уменьшение количества параметров способствует повышению эффективности обобщения модели. Кроме того, модель с меньшим количеством параметров имеет более высокую скорость обучения и потребляет меньше вычислительных ресурсов.В то время как глубокая отделимая свертка состоит из глубинной свертки и точечной свертки, которая имеет меньше параметров, чем стандартная свертка (Howard et al., 2017). В глубокой сепарабельной свертке один фильтр применяется в глубинной свертке к каждому входному каналу. Затем с помощью поточечной свертки применяется сверточная операция 1 × 1 для объединения выходных данных. Эта факторизация значительно уменьшает размер модели и потребление вычислительных ресурсов, при этом точность распознавания модели не снизится.

Каскадный плотный начальный модуль

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

Рисунок 4 Начальная структура.

Как правило, операции с плавающей запятой используются для оценки временной сложности модели CNN. Для одного сверточного слоя его временная сложность может быть выражена как:

, где M представляет собой длину стороны выходной карты объектов, K представляет собой длину стороны ядра свертки, C в представляет собой количество каналов входных данных. карта объектов, а C из — количество каналов выходной карты объектов.

Начальная структура содержит несколько сверточных слоев, и ее временная сложность может быть выражена суммой времени работы всех сверточных слоев:

Time∼O(∑i=1DMi2*Pi*Qi*C(i,in)*C (i,out))

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

При построении карт признаков особенности мелкомасштабных пятен болезней винограда трудно перенести на более глубокие слои модели. Эта потеря функций серьезно влияет на точность распознавания модели. В DenseNet была предложена стратегия плотного подключения для дальнейшего улучшения потока информации между уровнями. Слой λ получает карты объектов из всех предыдущих слоев, как указано в уравнении: 1 , …, x λ -1 ] обозначает объединение карт из предыдущих слоев.

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

Рисунок 5 Схематическая диаграмма стратегии плотного подключения.

Стратегия адаптивного подключения

Модель на основе CNN должна быть обучена классификации болезней листьев винограда. Выбор алгоритма оптимизации оказывает существенное влияние на эффективность обучения.

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

, где α представляет скорость обучения, β 1 и β 2 представляют экспоненциальную скорость затухания на данный момент оценки, θ t — текущий обновленный параметр, θ t-1 — предыдущий обновленный параметр, f ( θ ) представляет собой стохастическую функцию с параметрами 090 0,

θ 900 малая константа ( ε =10 -8 в этой статье), m t — первый вектор момента, v t — второй вектор момента.

Экспериментальные результаты и обсуждение

Стратегия адаптивного подключения

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

Таблица 4 Программно-аппаратная среда.

Сравнение точности и скорости сходимости

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

Все модели классификации были обучены с нуля с использованием 30 эпох, и была принята одна и та же стратегия обучения. Алгоритм Адама использовался в качестве оптимизатора для обучения модели. А скорость обучения была установлена ​​равной 0,01, что может ускорить сходимость модели в процессе обучения. Согласно таблице 5, предложенная модель DICNN имела оптимальную производительность распознавания с точностью 97,22% на тестовом наборе. Кроме того, точность 94.89% было реализовано с помощью DenseNet, что связано с его убедительными преимуществами усиления распространения функций и поощрения повторного использования функций. ResNet-34, остаточная нейронная сеть, реализовала общую точность 94,89%. Кроме того, GoogLeNet реализовал точность 94,25%, что связано с его возможностями извлечения многомерных признаков. VGG-16 получил среднюю точность 88,96%, тогда как модель SVM и нейронная сеть BP продемонстрировали плохие характеристики распознавания с точностью 67,82% и 57.93% соответственно. UnitedModel, которая была специально разработана для обнаружения болезней винограда, смогла извлечь дополнительные отличительные признаки благодаря комбинации нескольких CNN. И он реализовал точность 96,58%. Другая модель обнаружения болезней винограда, AFGDC, использовала предопределенную архитектуру AlexNet для извлечения признаков и достигла точности 88%. Экспериментальные результаты показали, что подходы на основе CNN превосходят классические подходы машинного обучения. Классические подходы машинного обучения к распознаванию болезней листьев винограда зависят от классификационных признаков, разработанных экспертами.Напротив, подходы на основе CNN автоматически извлекают лучшие признаки классификации. Благодаря этим функциям модели на основе CNN обеспечивают превосходную эффективность распознавания болезней листьев винограда. Среди всех моделей CNN DICNN имеет лучшую производительность и может точно классифицировать изображения болезней винограда. Кроме того, кривые точности использовались для визуального представления точности и скорости сходимости моделей. Как показано на рисунке 6, модели сошлись после нескольких этапов обучения и в конечном итоге реализовали свои оптимальные характеристики идентификации.В целом процессы обучения DenseNet-16, DICNN, GoogLeNet, ResNet-34, UnitedModel, AFGDC и VGG-16 примерно стабильны после 9 эпох, а нейронная сеть BP и модель SVM показали приемлемую сходимость после 17 эпох. В нашей работе для предложенной модели DICNN были приняты стратегия плотного подключения и начальные структуры. По сравнению с другими моделями предложенная модель DICNN реализует самую высокую скорость сходимости и имеет тенденцию сходиться на шестой эпохе.

Таблица 5 Характеристики распознавания.

Рисунок 6 Конвергенция восьми моделей распознавания.

Кроме того, невидимые изображения с различными виноградными фермами и погодными условиями собираются и используются для проверки эффективности обобщения модели. Эти изображения болезней виноградных листьев собраны на базе посадки винограда в замке Юаньши, который находится в городе Иньчуань, провинция Нинся, Китай. Согласно окончательным экспериментальным результатам, модель DICNN имеет точность 96,86% при тестировании с невидимыми изображениями. Хотя точность модели немного ниже, чем раньше, модель по-прежнему может точно классифицировать болезни листьев винограда.Таким образом, экспериментальные результаты показали, что модель обладает отличными характеристиками обобщения в различных виноградных хозяйствах и погодных условиях.

Благодаря своей исходной структуре DICNN может извлекать признаки из нескольких шкал на основе характеристик повреждений виноградных листьев. Использование глубокой отделимой свертки эффективно уменьшает параметры модели CNN, тем самым облегчая проблему переобучения. Кроме того, благодаря стратегии плотного подключения DICNN улучшено распространение функций и поощряется их повторное использование.Следовательно, предлагаемый алгоритм дает лучшую производительность, чем популярные методы трансферного обучения.

Эффективность распознавания для каждого класса

В этом разделе, на основе матрицы путаницы, эффективность распознавания каждой болезни виноградных листьев оценивалась по точности, отзыву и показателю F1. Матрица путаницы, как стандартный формат для выражения оценки точности, выражается в виде матрицы с n строками и n столбцами. Каждый столбец матрицы путаницы обозначает количество экземпляров в основном классе истинности, а каждая строка обозначает количество экземпляров в прогнозируемом классе, чтобы увидеть, не путает ли система два класса. Точность, отзыв и оценка F1 выводятся из количества ложноположительных (FP), истинно положительных (TP), ложноотрицательных (FN) и истинно отрицательных (TN) результатов. Эти показатели получены следующим образом:

Оценка F1 = 2 × Точность × Отзыв. Точность + Отзыв = 2 × TP2 × TP+FN+FP. вид виноградных листьев. Болезненные пятна болезней листьев схожи по геометрическим признакам, что приводит к более низкой эффективности классификации.Следовательно, классификатор может неправильно оценить, столкнувшись с мелкозернистой классификацией. Однако предложенная модель глубокого обучения дала удовлетворительный результат. Основным признаком класса клещей является то, что поверхность листьев покрыта пузырями, что значительно отличается от пятен при других заболеваниях. Подтвержденная матрицей путаницы, диагностика клещей лучше, чем у других. Цвет пятен ложной мучнистой росы желто-зеленый, поэтому эти пятна легко отличить от пятен других заболеваний.Отсюда вспоминаемость ложной мучнистой росы достигает 98,04%. Однако бурая пятнистость, антракноз, пятнистость листьев и черная гниль сходны по своим геометрическим признакам, и это сходство приводит к более низкой степени их распознавания. Отзыв классов бурой пятнистости, антракноза, пятнистости листьев и черной гнили составил 96,54%, 95,84%, 97,05% и 97,29% соответственно. В конечном итоге было правильно идентифицировано 96,60% здоровых листьев.

Таблица 6 Матрица путаницы модели DICNN.

На основе исходной структуры признаки заболевания на исходном изображении могут быть извлечены из нескольких измерений.Таким образом, точность распознавания образов заболеваний значительно повышается. Поддерживаемая приведенными выше экспериментами, предложенная модель DICNN реализует превосходную эффективность распознавания при выявлении болезней листьев винограда.

Влияние дополнения данных на производительность идентификации

В этой статье дополнение данных использовалось для предотвращения переобучения. Сначала отлавливали больные листья винограда при различных погодных условиях. Путем изменения фона съемки можно повысить помехоустойчивость предлагаемой модели в сложных условиях.После этого для дополнения исходного набора данных использовались методы цифровой обработки изображений.

В этом разделе был разработан сравнительный эксперимент для оценки влияния аугментации данных на точность классификации. На рис. 7 видно, что предложенная модель DICNN имела крайне нестабильный процесс обучения при обучении на исходном наборе данных. Модель, наконец, реализовала уровень распознавания 82,80%. Однако модель, обученная на расширенном наборе данных, показала точность 97.22%. Экспериментальные результаты показали, что модель DICNN изучает более подходящие функции на расширенном наборе данных, что повышает эффективность защиты от помех в различных средах. Кроме того, параметры модели классификации были полностью обучены из-за разнообразия изображений в расширенном наборе данных, в то время как изображениям в исходном наборе данных не хватало разнообразия, что делало сетевую модель чрезмерно зависимой от подмножества признаков. , что приводит к переоснащению.Что еще более важно, предварительная обработка изображения имитировала реальную среду виноградных листьев, тем самым делая модель более надежной.

Рисунок 7 Эффект увеличения данных.

Влияние стратегии плотного соединения

В этом эксперименте оценивалось влияние стратегии плотного соединения на эффективность распознавания модели на основе CNN. Как показано на рисунке 8, при той же стратегии обучения модель со стратегией плотного соединения реализовала 97.Точность распознавания 22 %, что на 3,47 % выше, чем у модели, в которой стратегия плотных связей не применялась. Стратегия плотного соединения соединяет начальные структуры в сверточном слое, чтобы обеспечить максимальную передачу информации между начальными структурами в сети, и напрямую передает потери градиента на мелкие слои. Следовательно, предлагаемая модель с этой стратегией обеспечивает более высокую эффективность при выявлении болезней листьев винограда.

Рисунок 8 Эффект стратегии плотного подключения.

Эффект глубокого разделяемого сверточных слоев

Глубокие разделяемые сверточные слои используются DICNN для построения первых двух сверточных слоев для уменьшения параметров и предотвращения проблемы переобучения модели. Для того чтобы оценить влияние двух глубоких разделимых сверточных слоев, была обучена модель с традиционным сверточным слоем. В сравнительном эксперименте в качестве итоговых оценочных показателей используются количество параметров сверточных слоев и точность распознавания.Окончательные результаты эксперимента представлены в таблице 7. С одной стороны, параметры первого сверточного слоя были снижены с 1792 до 283, а параметры второго сверточного слоя уменьшены с 36928 до 4736, что способствует снижению расхода вычислительные ресурсы и улучшить производительность обобщения. С другой стороны, точность модели повышается на 0,13% по сравнению с моделями, содержащими традиционные сверточные слои.

Таблица 7 Влияние глубокого отделяемого сверточных слоев.

Выбор оптимизации

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

На рис. 9 показан процесс обучения модели. Точность модели с алгоритмом оптимизации Адама составляет 97.22%, тогда как точность модели с алгоритмом оптимизации SGD составляет 94,69%. Алгоритм оптимизации SGD обновлял параметры исходя из текущей позиции и партии, что приводило к крайне нестабильному направлению обновления. Согласно экспериментальным результатам, модель, основанная на алгоритме оптимизации SGD, столкнулась с проблемой «локального минимума» и не смогла достичь оптимального состояния. Оптимизатор Адама использует градиентный спуск с импульсом, чтобы выйти из положения локального минимума. Кроме того, алгоритм оптимизации Адама представляет собой схему адаптивной оптимизации, которая регулирует скорость обучения для каждого параметра. Поэтому для предложенной модели DICNN был принят алгоритм оптимизации Адама.

Рисунок 9 Сравнение двух алгоритмов оптимизации.

Процесс визуализации функций

Из-за низкой производительности интерпретации функции, изучаемые моделями на основе CNN, трудно представить в удобочитаемой форме. Следовательно, сложно понять огромное количество параметров, многослойную скрытую структуру и другие факторы этих моделей.Тем не менее, методы визуализации являются важным способом изучения того, как CNN изучают функции для различения классов. В этом разделе для анализа предложенной модели используются два наиболее часто используемых метода визуализации, а именно визуализация промежуточной активации и визуализация тепловых карт активации класса на изображении.

Визуализация промежуточной активации относится к отображению карт признаков, которые выводятся всеми типами слоев свертки и объединения в сети для заданного входа. Это облегчает понимание того, как последовательные слои свертки преобразуют свои входные данные, и значения каждого фильтра. На рис. 10 представлены исходное изображение класса антракноз и изображение зрительной активации после второго сверточного слоя модели DICNN. По результатам визуализации на снимке четко отделена от фона область пятна болезни виноградного листа. Предполагается, что модель может идентифицировать пятна болезни на изображении и может характеризовать пятна болезни как один из критериев классификации.Эксперимент по визуализации активации болезней листьев винограда иллюстрирует превосходную эффективность распознавания модели DICNN и показывает, как предлагаемая модель DICNN изучает признаки для различения области поражения и фона.

Рисунок 10 Визуализация активации.

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

Рисунок 11 CAM-визуализация. (А) Антракноз; (Б) Коричневое пятно; (К) Клещи; (D) Черная гниль; (E) Ложная мучнистая роса; (F) Пятнистость листьев; (G) Здоровые листья.

Выводы

В этой статье предложен подход глубокого обучения для выявления шести распространенных заболеваний листьев винограда и здоровых листьев. На основе 7 669 собранных изображений виноградных листьев было создано 107 366 изображений с помощью аугментации изображений.На основе анализа особенностей болезней листьев винограда предлагается усовершенствованная CNN для идентификации болезней листьев винограда. К модели была применена глубокая отделимая свертка вместо стандартной свертки, чтобы уменьшить переоснащение и уменьшить количество параметров. Принимая во внимание различные размеры пятен болезней листьев винограда, к модели были применены начальные структуры для повышения способности извлечения многомасштабных признаков. Кроме того, была введена стратегия плотного подключения для поощрения повторного использования функций и усиления распространения функций.

Предложенный подход к идентификации заболеваний виноградных листьев на основе CNN был реализован в рамках TensorFlow и Keras на платформе графического процессора Tesla P100. С расширенным набором данных предложенная модель DICNN была обучена классифицировать виноградные листья семи типов. Согласно экспериментальным результатам, предлагаемый алгоритм реализует точность распознавания 97,22%, что дает лучшую производительность, чем другие популярные методы трансферного обучения. По сравнению со стандартными архитектурами ResNet и GoogLeNet предлагаемая модель DICNN реализует более высокую скорость сходимости в процессе обучения и более высокую точность.Результаты этого исследования демонстрируют, что предложенный алгоритм реализует сквозную классификацию болезней листьев винограда и обеспечивает решение и ссылку для применения подходов глубокого обучения в классификации болезней сельскохозяйственных культур.

Заявление о доступности данных

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

Вклад авторов

Концептуализация, BL, ZD и LT. Методология, BL, ZD и LT.Программное обеспечение, ЗД и ЛТ. Валидация, BL, DH, SL и HW. Написание — подготовка первоначального проекта, ZD и LT. Написание — обзор и редактирование, BL, ZD и LT. Надзор, БЛ. Приобретение финансирования, BL, DH, SL и HW. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование поддерживается Национальным фондом естественных наук Китая в рамках гранта № 61602388, Китайским фондом постдокторских наук в рамках гранта № 2017M613216, Фондами фундаментальных исследований для центральных университетов в рамках гранта №2452019064, Планом фундаментальных исследований в области естественных наук в провинции Шэньси, Китай, по гранту № 2017JM6059, Фондом постдокторских наук провинции Шэньси, Китай, по гранту № 2016BSHEDZZ121, Совместным инновационным центром технологий интеллектуальной сельскохозяйственной промышленности Нинся, по гранту № 2017DC53, в рамках Ключевой программы исследований и разработок Шэньси в рамках гранта № 2019ZDLNY07-06-01 и в рамках Программы обучения инновациям и предпринимательству Северо-Западного университета A&F Китая в рамках гранта №201

2048.

Конфликт интересов

Автор HW работал в компании West Electronic Business.

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

Благодарности

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

Ссылки

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

Google Scholar

Абади М., Агарвал А., Бархам П., Бревдо Э., Чжэн Х. (2016b). TensorFlow: крупномасштабное машинное обучение в гетерогенных распределенных системах. архив . 1603.04467v1.

Google Scholar

Акбарзаде С., Паап А., Ахдером С., Апопеи, Б., Аламе, К. (2018). Дискриминация растений с помощью машинного классификатора опорных векторов на основе спектральной отражательной способности. Вычисл. Электрон. Агр. 148, 250–258. doi: 10.1016/j.compag.2018.03.026

CrossRef Полный текст | Google Scholar

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

CrossRef Полный текст | Google Scholar

Бахрампур С., Рамакришнан Н., Шотт Л., Шах М. (2015). Сравнительное исследование программных платформ глубокого обучения. архив . 1511.06435.

Google Scholar

Дюто М., Нельсон Л., Тайсон Р. (2013). Прогнозирование распространения послеуборочных болезней в хранящихся фруктах с применением к яблокам. Послеуборочная биол. Технол. 85, 45–56. doi: 10.1016/j.postharvbio.2013.04.003

Полнотекстовая перекрестная ссылка | Google Scholar

Гитарамани, Г., Пандиан, А. Дж. (2019). Идентификация болезней листьев растений с использованием девятислойной глубокой сверточной нейронной сети. Вычисл. электр. англ. 76, 323–338. doi: 10.1016/j.compeleceng.2019.04.011

CrossRef Полный текст | Google Scholar

Гриффель, Л. М., Дельпарт, Д., Эдвардс, Дж. (2018). Использование классификации машин опорных векторов для дифференциации спектральных характеристик растений картофеля, инфицированных картофельным вирусом Y. Вычисл. Электрон. Агр. 153, 318–324. doi: 10.1016/j.compag.2018.08.027

CrossRef Полный текст | Google Scholar

Хамуда, Э., МакГинли, Б., Главин, М., Джонс, Э. (2017). Автоматическое обнаружение урожая в полевых условиях с использованием цветового пространства HSV и морфологических операций. Вычисл. Электрон. Агр. 133, 97–107. doi: 10.1016/j.compag.2016.11.021

CrossRef Полный текст | Google Scholar

Хе, К., Чжан, X., Рен, С., Сунь, Дж. (2016).Глубокое остаточное обучение для распознавания изображений. Конф. IEEE. вычисл. Распознавание образов зрения. 770–778. doi: 10.1109/CVPR.2016.90

CrossRef Полный текст | Google Scholar

Хейзель С. , Ковачевич Т., Бризен Х., Шембекер Г., Вольгемут К. (2017). Выбор переменных и разработка обучающего набора для классификации частиц с использованием линейного и нелинейного классификаторов. Хим. англ. науч. 173, 131–144. doi: 10.1016/j.ces.2017.07.030

Полный текст CrossRef | Google Scholar

Говард А.Г., Чжу М., Бо С., Калениченко Д., Ван В., Вейанд Т. и соавт. (2017). MobileNets: эффективные сверточные нейронные сети для приложений мобильного зрения. Вычисл. Распознавание образов зрения. 1–9.

Google Scholar

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

CrossRef Полный текст | Google Scholar

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

Полный текст CrossRef | Google Scholar

Цзян П., Чен Ю., Лю Б., Хе Д., Лян К. (2019). Обнаружение болезней листьев яблони в реальном времени с использованием подхода глубокого обучения на основе усовершенствованных сверточных нейронных сетей. Доступ IEEE 7, 59069–59080. doi: 10.1109/ДОСТУП.2019.2
9

CrossRef Полный текст | Google Scholar

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

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хан М. А., Акрам Т., Шариф М., Аваис М., Джавед К., Али Х. и др. (2018). CCDF: Автоматическая система для сегментации и распознавания болезней плодовых культур на основе коэффициента корреляции и особенностей глубокого CNN. Вычисл. Электрон. Агр. 155, 220–236. doi: 10.1016/j.compag.2018.10.013

CrossRef Полный текст | Google Scholar

Хан М. А., Лали М. И. У., Шариф М., Джавед К., Аурангзеб К., Хайдер С. И. и др. (2019). Оптимизированный метод сегментации и классификации болезней яблони на основе сильной корреляции и выбора признаков на основе генетического алгоритма. Доступ IEEE 7, 46261–46277. doi: 10.1109/ACCESS.2019.2

  • 0

    Полный текст CrossRef | Google Scholar

    Кингма, Д., Ба, Дж. (2015). Адам: метод стохастической оптимизации. Междунар. конф. Учить. Представительства 1–15.

    Google Scholar

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

    0

    CrossRef Полный текст | Google Scholar

    Кулин М., Казаз Т., Моэрман И., Пуртер Э. Д. (2017). Сквозное обучение на основе данных о спектре: подход к глубокому обучению для идентификации беспроводных сигналов в приложениях мониторинга спектра. Доступ IEEE 6, 18484–18501. doi: 10.1109/ACCESS.2018.2818794

    CrossRef Полный текст | Google Scholar

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

    CrossRef Полный текст | Google Scholar

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

    Полный текст CrossRef | Google Scholar

    Лю Б., Хе С., Хе Д., Чжан Ю., Гуизани М. (2019). Алгоритм сегментации параллельных нечетких C-средних на основе Spark для больших данных сельскохозяйственных изображений. Доступ IEEE 7, 42169–42180. doi: 10.1109/ACCESS.2019.2

  • 3

    CrossRef Полный текст | Google Scholar

    Лу Дж., Цзе Х., Чжао Г., Мэй Ф., Чжан К. (2017). Полевая автоматическая система диагностики болезней пшеницы. Вычисл. Электрон. Агр. 142, 369–379. doi: 10.1016/j.compag.2017.09.012

    CrossRef Полный текст | Google Scholar

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

    Полный текст CrossRef | Google Scholar

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

    CrossRef Полный текст | Google Scholar

    Мохаммадпур М., Нугаби М. Г., Ахмеди З. (2020). Интеллектуальный метод обнаружения вируса веерного листа винограда. Междунар. Дж. Взаимодействие. Мультимедийный артиф. Интел. 6, 62–67. doi: 10.9781/ijimai.2020.02.001

    Полный текст CrossRef | Google Scholar

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

    PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

    Пу Ю., Апель Д. Б., Шмигель А., Чен Дж. (2019). Распознавание изображений угля и угольной жилы с использованием сверточной нейронной сети и трансферного обучения. Энергии 12, 1–11. doi: 10.3390/en120

    CrossRef Полный текст | Google Scholar

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

    PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

    Selvaraju, R.R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., Batra, D. (2017). Grad-CAM: визуальные пояснения из Deep Networks с помощью локализации на основе градиента. IEEE Междунар. конф. вычисл.Видение 618–626. doi: 10.1109/ICCV.2017.74

    CrossRef Full Text | Google Scholar

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

    CrossRef Полный текст | Google Scholar

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

    Google Scholar

    Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., et al. (2015). Углубление с извилинами. Конф. IEEE. вычисл. Распознавание образов зрения. 1–9. doi: 10.1109/CVPR.2015.7298594

    CrossRef Полный текст | Google Scholar

    Сегеди, К., Ванхуке, В., Иоффе, С., Шленс, Дж., Война, З. (2016). Переосмысление исходной архитектуры компьютерного зрения. Конф. IEEE. вычисл. Распознавание образов зрения. 2818–2826. doi: 10.1109/CVPR.2016.308

    CrossRef Полный текст | Google Scholar

    Тан, Ю. (2016). TF.Learn: высокоуровневый модуль TensorFlow для распределенного машинного обучения. arXiv , 1612.04251.

    Google Scholar

    Ваг, Т. А., Самант, Р. М., Гуджарати, С. В., Гайквад, С. Б. (2019). Обнаружение болезней листьев винограда с использованием сверточной нейронной сети. Междунар. Дж. Вычисл. заявл. 178, 7–11.doi: 10.5120/ijca20192

    CrossRef Полный текст | Google Scholar

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

    CrossRef Полный текст | Google Scholar

    Wang X. , Zhu C., Фу, З., Чжан, Л., Ли, X. (2019). Исследования по распознаванию мучнистой росы огурца на основе визуальных спектров. Спектроск. Спектр. Анальный. 39, 1864–1869 гг. doi: 10.3964/j.issn.1000-0593(2019)06-1864-06

    CrossRef Полный текст | Google Scholar

    Чжан С., Ван З. (2016). Распознавание болезней огурцов на основе декомпозиции глобальных и локальных сингулярных значений. Нейрокомпьютинг 205, 341–348. doi: 10.1016/j.neucom.2016.04.034

    Полный текст CrossRef | Google Scholar

    Чжан Ю., Гравина Р., Лу Х., Виллари М., Фортино Г. (2018). PEA: параллельная аутентификация на основе электрокардиограммы для интеллектуальных систем здравоохранения. Дж. Сеть. вычисл. заявл. 117, 10–16. doi: 10.1016/j.jnca.2018.05.007

    CrossRef Полный текст | Google Scholar

    Чжан С., Чжан С., Чжан С., Ван С., Ши Ю. (2019a). Идентификация болезней листьев огурца с помощью расширенной сверточной нейронной сети с глобальным объединением. Вычисл. Электрон. Агр. 162, 422–430. doi: 10.1016/j.compag.2019.03.012

    CrossRef Full Text | Google Scholar

    Чжан С., Хуанг В., Чжан К. (2019b). Трехканальные сверточные нейронные сети для распознавания болезней листьев овощей. Познан. Сист. Рез. 53, 31–41. doi: 10.1016/j.cogsys.2018.04.006

    Полный текст CrossRef | Google Scholar

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

    CrossRef Full Text | Google Scholar

    Идентификация болезней винограда с помощью анализа изображений и нейронных сетей BP

  • Abbasgholipour M, Omid M, Keyhani A, Mohtasebi SS (2011) Сегментация цветного изображения с генетическим алгоритмом в системе сортировки изюма на основе машинного зрения в переменных условиях . Приложение Expert Syst 38(4):3671–3678

    Google ученый

  • Cui D, Zhang O, Li M, Zhao Y, Hartman GL (2009) Обнаружение ржавчины сои с помощью мультиспектрального датчика изображения.Sens & Instrumen Food Qual 3(1):49–56

    Google ученый

  • Дингра Г., Кумар В., Джоши Х.Д. (2017) Изучение методов обработки цифровых изображений для обнаружения и классификации болезней листьев. Приложение Multimed Tools 77(15):19951–20000

    Google ученый

  • Гаэль С.П., Сайед А.М., Баранюк Р.Г. (2006) Улучшенное шумоподавление с помощью эмпирической винеровской фильтрации. Применение вейвлетов в обработке сигналов и изображений V.Международное общество оптики и фотоники: 3169

  • Хань Д., Хуан С., Фу Х. (2012) Измерение площади листьев растений на основе сегментации изображения по сходству цветовых каналов. Trans Chin Soc Agric Eng 28 (6): 179–182

    Google ученый

  • He D, Qiao Y, Li P, Gao Z, Li H, Tang J (2013) Распознавание сорняков на основе многофункционального слияния SVM-DS. Trans Chin Soc Agric Eng 44 (2): 182–187

    Google ученый

  • Huang KY (2007) Применение искусственной нейронной сети для выявления болезней рассады фаленопсиса с использованием признаков цвета и текстуры.Comput Electron Agric 57(1):3–11

    Google ученый

  • Jia W, Zhao D, Liu X, Tang S, Ruan C, Ji W (2015) Распознавание Apple на основе K-средних и нейронной сети GA-RBF-LMS, применяемой в роботе-уборщике. Trans Chin Soc Agric Eng 31 (18): 175–183

    Google ученый

  • Karimi Y, Prasher SO, Patel RM, Kim SH (2006) Применение технологии опорных векторов для обнаружения стресса от сорняков и азота в кукурузе. Comput Electron Agric 51(1–2):99–109

    Google ученый

  • Lu H, Li Y, Uemura T et al (2017) Реконструкция изображений подводного светового поля при слабом освещении с использованием глубоких сверточных нейронных сетей. Futur Gener Comput Syst 82:142–148

    Google ученый

  • Lu H, Li B, Zhu J, Li Y, Li Y, Xu X, He L, Li X, Li J, Serikawa S (2017)Коррекция интенсивности раны и сегментация с помощью сверточных нейронных сетей.Concurr Comput Pract Exper. https://doi.org/10.1002/cpe.3927

  • Лу Х, Ли Ю, Чен М, Ким Х, Серикава С (2017) Мозговой интеллект: выйти за рамки искусственного интеллекта. Мобильное сетевое приложение https://doi.org/10.1007/s11036-017-0932-8

  • Lu H, Li Y, Mu S, Wang D, Kim H, Serikawa S (2017) Обнаружение двигательных аномалий для беспилотных летательных аппаратов с использованием обучения с подкреплением. IEEE Internet Things J 5(4):2315–2322

    Google ученый

  • Мао Л., Сюэ Ю., Конг Д., Лю Г., Хуан К., Лу К., Ван К. (2011) Алгоритм сегментации изображения личи на основе набора уровней разреженного поля.Trans Chin Soc Agric Eng 27 (4): 345–349

    Google ученый

  • Мартинелли Ф., Скаленге Р., Давино С., Панно С. (2015) Передовые методы обнаружения болезней растений. Обзор. Agron Sustain Dev 35(1):1–25

    Google ученый

  • Мураками С., Хомма К., Койке Т. (2005) Обнаружение мелких вредителей на листьях овощей с помощью GLCM. В: Ежегодное международное совещание ASAE, Тампа, Флорида, стр. 1–9

  • Мутуканнан К., Лата П. (2018 г.) Алгоритм GA_FFNN, примененный для классификации системы листа больного растения.Приложение Multimed Tools 77(18):24387–24403

    Google ученый

  • Paulus I, Busscher RD, Schrevens E (1997) Использование анализа изображений для исследования классификации яблок по качеству человека. J Agric Eng Res 68 (4): 341–353

    Google ученый

  • Прасад С., Кумар П.С., Гош Д. (2016) Эффективная система идентификации формы листьев растений для слабовидящих для смартфонов.Приложение Multimed Tools 76(5):6915–6939

    Google ученый

  • Pydipati R, Burks TF, Lee WS (2006) Идентификация болезни цитрусовых с использованием особенностей цветовой текстуры и дискриминантного анализа. Comput Electron Agric 52(1–2):49–59

    Google ученый

  • Сасаки Ю., Окамото Т., Имоу К. (1998) Автоматическая диагностика болезней растений.Jpn Soc Agric Machi 6l(2):119–126

    Google ученый

  • Сатти В., Сатья А., Шарма С. (2013) Система автоматического распознавания листьев для идентификации растений с использованием технологии машинного зрения. Int J Eng Sci Technol 5(2):874–879

    Google ученый

  • Серикава С., Лу Х. (2015) Обезвреживание подводного изображения с использованием объединенного трехстороннего фильтра. Comput Electr Eng 40(1):41–50

    Google ученый

  • Shariff A, Aik Y, Hong W, Mansor S, Mispan R (2006) Автоматизированная идентификация и подсчет вредителей на рисовых полях с использованием анализа изображений. Компьютеры в сельском хозяйстве и природных ресурсах, Орландо, Флорида, стр. 759–764

  • Шуй П. (2005) Алгоритм шумоподавления изображения с помощью двойной локальной фильтрации Винера с направленными окнами в области вейвлета. IEEE Signal Proc Let 12(10):681–684

    Google ученый

  • Tian Y, Zhang C, Li C (2004) Применение машины опорных векторов для определения формы пятна болезни растений. Trans Chin Soc Agric Eng 20 (3): 134–136

    Google ученый

  • Wu A, Zhu J, Tao Z, Mao C (2016) Автоматическая проверка и классификация дефектов поверхности жидкокристаллического дисплея на тонкопленочных транзисторах на основе оптимизации роя частиц и одноклассовой машины опорных векторов.Adv Mech Eng 8(11):1–11

    Google ученый

  • Ян К. , Лян Д., Чжан Д. (2013) Распознавание сорняков на кукурузном поле на основе контролируемого локально-линейного алгоритма встраивания. Trans Chin Soc Agric Eng 29 (14): 171–177

    Google ученый

  • Yang F, Wang Z, Yang Q, Zhang Y (2007) Применение метода фильтрации Винера на основе вейвлет-преобразования для устранения шума на изображениях сельскохозяйственных продуктов.Trans Chin Soc Agric Eng 23 (2): 145–150

    Google ученый

  • Zheng L, Zhang J, Wang Q (2009) Цветовая сегментация изображений, содержащих зеленую растительность, на основе среднего сдвига. Comput Electron Agric 65(1):93–98

    Google ученый

  • Zhu J, Wu A, Li P (2012)Методы диагностики болезней листьев кукурузы на основе распознавания изображений. Commun Comput Info Sci 288: 334–341

    Google ученый

  • Черная пятнистость виноградной лозы | Болезни винограда | Болезни растений | Биозащита

    Черная пятнистость, или антракноз, вызываемая грибком Elsinoe ampelina , является серьезным заболеванием винограда. Он был зарегистрирован во всех виноградарских районах Виктории.

    Сорт изюма и некоторые столовые сорта винограда очень восприимчивы к поражению. К счастью, многие винные сорта винограда относительно устойчивы.

    До введения подходящих фунгицидов черная пятнистость была серьезной проблемой на многих коммерческих виноградниках. Заболеваемость значительно снизилась.

    Тем не менее, серьезные потери урожая в прошлом являются мрачным напоминанием о том, что производители должны следить за болезнью и контролировать ее в сезоны с дождливой весной. Черная пятнистость очень устойчива после появления, поэтому виноградники с историей этой проблемы следует регулярно обрабатывать каждый год, чтобы предотвратить накопление болезни.

    Симптомы черной пятнистости

    Листья

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

    Побеги

    Небольшие коричнево-черные пятна со слегка вдавленным центром и приподнятыми краями являются первыми признаками болезни на стеблях побегов.
    Эти пятна постепенно удлиняются и образуют серые центры.

    Часто возникает опоясывание, когда пятна сливаются, что может привести к отмиранию стеблей. Стебли могут искривляться и деформироваться при заражении побегов на ранних стадиях их развития (рис. 2).

    Грозди

    При заражении гроздей до или во время цветения опоясывание может вызвать увядание и осыпание. Сначала на ягодах появляются круглые, вдавленные, коричневые пятна.

    Позже, во влажных условиях, они могут увеличиваться, образуя «пятна с высоты птичьего полета» с серым центром и темно-красными краями.Молодые незрелые ягоды, как правило, остаются прикрепленными, как высушенные мумии, после того, как на них напали.

    Пятна на кожуре пораженных ягод перерастают в твердые корочки по мере созревания ягод (рис. 3).

    Зрелые побеги

    Рубцы или язвы с ямками или трещинами в центре постепенно формируются по мере созревания инфекций на побегах. Эти раны часто достаточно глубоки, чтобы обнажить внутреннюю древесину трости. Окружающая древесина постепенно чернеет и приобретает обожженный вид.

    Условия, способствующие заболеванию и потере урожая

    Черная пятнистость может поражать все зеленые части виноградной лозы.Молодые, сочные ткани лозы очень восприимчивы к поражению. Зрелые ткани менее восприимчивы. Язвы, которые производят споры, могут длиться от 3 до 5 лет.

    Прохладная влажная погода весной и в начале лета особенно способствует вспышкам болезни, так как поверхностная влага необходима для распространения грибковых спор и инфекции. Поверхностная влага также способствует образованию спор из язв на тростнике или ягодах. В таких условиях заболевание может развиваться быстро.

    Жаркие и засушливые условия замедляют распространение болезней и способствуют переходу гриба в состояние покоя.

    Черная пятнистость распространяется на виноградниках медленнее, чем ложная или мучнистая роса, которые переносятся спорами, переносимыми ветром. При черной пятнистости споры разбрызгиваются или переносятся в воде насекомыми из язв на молодые побеги винограда. Следовательно, распространение черной пятнистости внутри каждого сезона связано в основном с язвенными поражениями предыдущих сезонов.

    Большие потери урожая происходят, когда тяжелые инфекции развиваются на молодых побегах и цветочных соцветиях после накопления инокулята во время серии влажных весен.

    Мониторинг черных пятен

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

    Борьба с черной пятнистостью

    Сроки основных опрыскиваний в начале сезона для борьбы с задней пятнистостью должны быть следующими: до 4 недель после распускания почек).

  • Если влажная погода сохраняется, может потребоваться дополнительное опрыскивание с интервалом в 2 недели. Некоторые фунгициды также эффективны против других болезней.

    Химические вещества, зарегистрированные для борьбы с черной пятнистостью, доступны в буклете «Агрохимикаты, зарегистрированные для использования в австралийском виноградарстве», ежегодно публикуемом Австралийским научно-исследовательским институтом вина.

    Культурные и химические средства для борьбы с болезнями винограда в конце сезона — не ждите!

    Высокая заболеваемость в Мичигане может привести к гниению гроздей и кислой гнили перед сбором урожая.

    В основных винодельческих регионах Мичигана (то есть в северо-западной и юго-западной частях Нижнего полуострова) за последнюю неделю выпало более 2 дюймов осадков. Виноград приближается к зрелости, и производители, вероятно, начнут собирать урожай на следующей неделе в некоторых частях штата. Обильные дожди на созревающих ягодах означают, что сейчас у винограда высокая заболеваемость.

    Слишком поздно опрыскивать от ложной и мучнистой росы, но существует значительный риск потери урожая из-за серой гнили (Фото 1) и кислой гнили (Фото 2), с которыми все еще необходимо бороться культурными или химическими методами.Есть и другие гнили плодов, которые мы не будем обсуждать в этой статье, которые менее опасны при сборе винограда (например, гниль спелых плодов, горькая гниль или макрофомозная гниль). В этой статье дается некоторая предыстория ботритисовой гнили и кислой гнили, а также даются некоторые рекомендации по мере приближения к сбору урожая.

    Фоновая гниль серой гнили

    После созревания гниль гроздей Botrytis (вызванная грибком Botrytis cinerea ) проявляется в виде цвета отдельных зараженных ягод в грозди от коричневого до красного. При высокой влажности грибок образует обильные споры и приобретает характерный серый/пушистый вид. Эти первые инфекции B. cinerea произошли в начале сезона. Сейчас мы находимся во вторичной фазе, когда расколотые плоды или плоды, поврежденные насекомыми, позволяют патогену быстро распространяться и увеличивать ущерб, вызванный гнилью гроздей.

    Фон кислой гнили Фото 2. Кислая гниль, обнаруженная на Виньоле 7 сентября 2018 г. Фото Патрика Муччи, МГУ.

    Симптомы кислой гнили включают 1) гроздья, пахнущие уксусом, 2) сок, который капает на поверхность плодов, 3) гниение типа плавления с соскальзыванием кожуры и 4) обычно присутствуют уксусные мухи и личинки.Кислая гниль представляет собой комплекс заболеваний, вызываемых несколькими микроорганизмами, включая мицелиальные грибы (например, Alternaria , Aspergillus , Cladosporium , Rhizopus и Penicillium ), дрожжи и бактерии (например, Заражению этими возбудителями способствует сырая погода и раны или повреждения плодов. Эти инфекции могут быть результатом любых механических повреждений, укусов птиц, кормления насекомыми или расщепления плодов (т.

    Управление культурой

    Методы ухода за пологом, такие как удаление листьев в плодовой зоне, расположение побегов и ограждение, являются хорошо зарекомендовавшими себя методами, используемыми для увеличения солнечного света и воздушного потока, а также проникновения химических аэрозолей в полог виноградной лозы и, что наиболее важно, в плодовую зону. Эти методы могут уменьшить условия, благоприятствующие серой гнили и кислой гнили. Эти методы не только уменьшают гниль плодов и присутствие вредителей, но также известно, что они уменьшают затенение, улучшая зрелость плодов (созревание), что желательно в условиях короткого и изменчивого вегетационного периода Мичигана с прохладным климатом.

    Управление популяциями насекомых сокращает количество очагов заражения серой гнилью и серой гнилью. При кислой гнили предотвращайте раны и повреждения, контролируя основные патогены и насекомых-вредителей. Кроме того, сведите к минимуму механические травмы (например, из-за ограждения или выдергивания листьев).

    Недавние разрушительные ветры и дожди в AVA на северо-западе Мичигана (Leelanau и Old Mission) вызвали многочисленные сообщения о расщеплении ягод, поэтому в это время вегетационного периода критически важно провести разведку на предмет наличия плодовых грибков и давления насекомых.Для получения дополнительной информации о том, как суровые погодные условия в конце сезона могут повлиять на активность вредителей, см. «Погодные явления приводят к биотическому давлению по мере приближения сбора винограда» от Университета штата Мичиган.

    Управление химическими веществами

    Существует ряд фунгицидов, предназначенных для борьбы с серой гнилью. Начинайте обработку фунгицидами во время цветения, если вы применяете химические методы борьбы с серой гнилью. Будьте готовы к дополнительным обработкам фунгицидами, когда грозди плодов начинают закрываться, особенно у сортов с плотной гроздью. К сожалению, поскольку кислая гниль представляет собой комплекс заболеваний, поражающих множество различных грибков, не существует химических препаратов, эффективных именно против кислой гнили.

    Если вы планируете применять фунгициды в конце сезона, помните об ограничениях на этикетке. Предуборочный интервал (PHI) имеет решающее значение, когда мы приближаемся к сбору урожая. В таблице ниже перечислены продукты, которые в настоящее время маркированы как средства борьбы с серой гнилью.

    Торговое название

    Активный ингредиент

    Группа FRAC

    PHI (дни)

    Поднять

    фенгексамид

    17

    0

    Эндура

    боскалид

    7

    14

    Пылкий

    Изофетамид + тебуконазол

    7 + 3

    14

    Флинт

    трифлоксистробин

    11

    14

    Вдохновение Супер

    дифеноконазол + ципродинил

    3 + 9

    14

    Интуитивность

    мандестробин

    11

    10

    Кения

    изофетамид

    7

    14

    Опыт Луны

    флуопирам + тебуконазол

    7 + 3

    14

    Нетронутый

    пираклостробин + боскалид

    11 + 7

    14

    Роврал

    ипродион

    2

    7

    Скала

    пириметанил

    9

    7

    Переключатель

    ципродинил и флудиоксонил

    9 + 12

    14

    Авангард

    ципродинил

    9

    7

    Обратите особое внимание на группу FRAC этих фунгицидов. Если вы использовали фунгициды из одной и той же группы FRAC, вы использовали один и тот же тип материала в течение всего сезона, и вам следует выбрать другую группу FRAC, если это позволяет PHI.

    Была ли эта статья полезной для вас?