打开文本图片集

摘要：本项目，本课题围绕革命老区以“三农问题”为核心的乡村振兴战略的总要求设计一款苹果真菌病智能化检测排除设备，该设备首先利用机械臂对开花期的苹果果树进行花蕊的取样，然后利用基于核壳量子点的生物传感器试纸进行霉心病检测，通过对试纸的荧光条进行量子机器学习分析，并对患有霉心病的果树进行苯醚甲环唑试剂喷洒来防治霉心病的发生。该设备可以及时检测苹果是否患有真菌病，并对患有真菌病的花朵进行修剪，可以有效抑制苹果霉心病的发生。

关键词：“三农问题”；苹果真菌病；核壳量子点

1研究目的

本研究提出了一种基于量子点传感技术和量子机器学习的新方法，用于苹果霉心病的早期检测与防治，有效防治真菌感染，提高了病害防控效率，为果园病害管理提供了一种创新性解决方案。具体研究目的如下：

1.1提取苹果花蕊组织进行壳型量子点生物检测

本研究旨在利用基于量子点构建的生物传感器对苹果花蕊进行样品采集，利用基于核壳量子点的荧光适配体传感器，通过其高灵敏度，高选择性以及较强的稳定性等优点对所得样品进行链格孢、镰刀菌、粉红聚端孢、黑附球菌和青霉菌检测。

1.2利用量子机器学习进行生物信息处理

前期通过基于量子点构建的生物传感器对苹果链格孢、镰刀菌、粉红聚端孢、黑附球菌和青霉菌检测，通过量子机器学习进行智能化信息处理对前期检测结果进行信息分析。

1.3喷洒药剂，进行苹果真菌病防治

根据霉心病检测程度，对霉心病较严重区域通过智能控制技术进行智能化的苯醚甲环唑药剂喷洒，经研究发现，苯醚甲环唑是一种高效、安全、低毒、广谱性杀菌剂，对苹果霉心病这类真菌感染导致的疾病有较好的防治作用，通过对患有霉心病的果树进行苯醚甲环唑药剂喷洒可以有效防治霉心病。

2研究现状

近年来，机器学习作为一门跨学科领域得到了快速发展，在计算机视觉和数据挖掘等领域展现出卓越的应用成果。本课题团队对国内外大量基于大数据分析的案例进行了深入研究与综合分析，并总结如下：

2.1国内研究现状

国内针对苹果霉心病的自动化排除研究正处于稳步发展阶段，各领域研究者和实践者积极探索技术手段，旨在实现果园病害的智能监测与自动化治理，从而提升果园管理效率和果品质量。然而，目前国内仍未建立起完善有效的苹果霉心病综合治理体系。因此，基于机器学习开展苹果霉心病相关研究，具有重要的现实意义和紧迫性，不仅有助于填补技术空白，还能推动果园病害治理的智能化进程。

2.2国外研究现状

国外在苹果霉心病自动化排除领域的研究更加注重技术创新与跨学科合作，积极探索先进技术在农业中的应用，尤其是在一些科技水平较高的欧美国家表现尤为突出。这些国家在智能传感技术、机器视觉技术和自动化农业方面处于全球领先地位。研究机构与相关企业通过整合传感器技术、无人机与机器学习等多种创新手段，实现了果园病害的高效自动化监测与精准排除，为农业病害治理提供了先进的技术范例。

3.基于量子机器学习的壳型量子点生物传感器的构建

基于核壳量子点构建的免疫电化学发光传感器在苹果真菌毒素的检测以及自动化排除中进行研究，利用量子机器学习进行智能化信息处理对苹果霉心病检测进行信息分析。同时运用智能控制技术对病害情况进行智能化的药剂喷洒和自动化修剪。

3.1对所获得样品进行基于核壳型量子点生物传感检测

首先对制备核壳型量子点生物传感器试纸，样品垫用含6%海藻的10mmol/L PBS （pH=7.4）封闭，20 mmol/L硼酸盐缓冲液（pH=7.4）封闭结合垫，然后在60℃干燥2h。FB1-BSA、DON-BSA和山羊抗鼠IgG在10mmol/L PBS中预稀释，ZEN-BSA 在含 7%甲醇的10mmol/L PBS 中预稀释。将 CdSe/ZnS QDs-抗体结合物以 3 μL/cm 的喷射速率喷射到结合物垫上，然后与硝酸纤维素膜一起在37℃分别干燥 2 h 和 12 h。然后运用试纸对所得样品进行检测。

如图2所示，在没有5种真菌毒素的情况下，CdSe/ZnS QDs-抗体结合物被硝酸纤维素膜上的检测线和控制线捕获，呈现明亮的荧光带，而过量的 CdSe/ZnS QDs-抗体结合物继续向前移动，与控制线上的山羊抗鼠抗体反应，也呈现明亮的荧光带。当存在目标真菌毒素时，真菌毒素与样品垫上的部分 CdSe/ZnS QDs-抗体结合物反应，样品中的真菌素竞争性抑制测试线和探针的相互作用，导致 CdSe/ZnS QDs-抗体的捕获减少，不显示或显示微弱的荧光带，检测线的亮度与样品中含有的真菌毒素量成反比。

3.2量子算法设计阶段

首先通过AFB1和ZEN检测获得荧光图像，然后生成伪彩色编码的GQIR量子图像，由于阳光照射等原因，直接采集提取的图片呈现像素度模糊，易失真等问题，因此荧光颜色特征较为模糊，为了精确采集荧光信息，要借助机器深度学习对图片进行预处理。然后通过阈值分割、灰度变换、局部对比度增强和颜色映射对图像进行预处理。运用GQIR模型对预处理好的图像进行量子化处理。

量子态表示：将图像亮度值映射到对应的量子态，其中 表示第 个量子态。量子态映射公式：

在这个公式中，表示第个量子态， 表示亮度值对应的经典态。通过这个映射函数，可以将图像的亮度值量子化为 个量子态，每个量子态对应一个亮度值区间。这种量子态映射可以用于处理图像信息的量子化表示。

根据处理后的量子态，解读量子态中的信息以获取图像表示。将量子态转换回经典图像涉及测量量子态以获取经典信息，然后通过解码操作将经典信息转换为可视化的图像形式。

3.3机械臂设计

对于检验苹果树霉心病病菌，我们在机械臂中加入量子光感机械，对检验霉心病的核壳量子点进行检测，对光感机械进行量子机械学习，训练对带有霉心病的核壳量子点试纸条进行荧光检验识别。在识别后机械臂可以摘除带有霉心病的苹果花，对带有霉心病的苹果定向喷洒洒农药，去除霉心病病菌。苹果患病花剪除装置的关键技术包括机械结构设计、运动控制算法、传感器系统以及末端执行器设计等方面。机械结构设计需要考虑机械臂的稳定性、强度和重量，机械臂结构以及与果树的适配性；运动控制算法需要实现机械臂的精准运动和对苹果花的剪除；传感器系统需要实时监测果树和苹果花的位置信息，以便机械臂的精确定位；末端执行器设计需要考虑对苹果的抓取方式和力度，以确保剪取的准确性。

3.4.对检测患有霉心病的果树进行霉心病防治

生物传感器与农药结合防治：在病害发生初期，根据病原菌种类和苹果病情，选择合适的农药，再与能够精准检测病菌的生物传感器结合进行喷洒防治。同时，注意农药的使用量和施药时间，确保安全有效地治理霉心病。有效控制霉心病发生和流行的主要农艺措施是生物传感器与化学药剂结合防治。防治效果关键在于检测病害目标、喷药时间与有效药剂。对机器人已经检测出的患病果区适量喷洒防治药剂苯醚甲环唑。由下表可以得出苯醚甲环唑对苹果霉心病的防治效果最好：

参考文献

[1]范兴奎，刘广哲，王浩文，等.基于量子卷积神经网络的图像识别新模型[J].电子科技大学学报，2022，51（05）：642-650.

[2]段薇.基于PLC的机械自动化控制系统的设计与实现[J].中国机械，2023，（34）：17-20.

[3]高妍.苹果霉心病、煤污病等防治药剂筛选与应用[D].西北农林科技大学，2023.DOI：10.27409/d.cnki.gxbnu.2023.000650.

[4]彭双凤，孙青月，孙丹妮，等.基于核壳型量子点的生物传感器在真菌毒素检测中的应用进展[J].食品安全质量检测学报，2023，14（06）：71-80.DOI：10.19812/j.cnki.jfsq11-5956/ts.2023.06.013.

[5]吴书宝，段军莲.苹果霉心病的发生及防治[J].现代农村科技，2023，（11）：37.

[6]顾勇，袁鸿斌，吴小涛.智能拾取机械臂系统[J].机械制造，2023，61（10）：8-10.

基金项目：2024年省级大学生创新训练项目 项目编号：S202410429060