摘要
为了快速准确地对水稻进行磷素营养诊断,提出一种基于迁移学习和改进ResNet34的水稻磷素营养诊断方法。以晚稻黄花占为试验品种,设置4个梯度比例(0∶0.5∶1∶1.3)的磷肥大田试验,通过扫描仪扫描获取分蘖期水稻叶片样本图像,并通过数据增强技术将原始的1 560张图像扩充至15 600张作为数据集,构建一个融合多级融合注意力机制的水稻磷素营养诊断模型ResNet34-AAE。利用迁移学习技术从预训练的大型数据集(ImageNet)中获取特征表示,缩短模型的训练时间,并应用dropout技术防止过拟合;通过多级融合机制将通道注意力、空间注意力和自适应注意力等3个注意力模块输出与原始特征图一起被送入一个融合层,再通过1×1卷积层生成一个新的特征表示。以确保能够有效捕捉并提升输入特征图中的重要信息,同时抑制不相关的背景噪声,从而显著提高ResNet34-AAE模型在复杂任务中的表现力和泛化能力。结果表明,ResNet34-AAE模型在水稻分蘖期的磷素营养诊断准确率为94.17%,精确率为94.65%,召回率为93.67%,F_(1)分数为94.13%,各项评估指标上显著高于AlexNet、VGG16、GoogLeNet传统网络模型和原始ResNet34模型。综上,ResNet34-AAE模型能够精准识别分蘖期不同磷肥施用梯度下的水稻磷素营养状况,可以为后期的精准肥提供科学依据,也可以为其他作物的营养诊断奠定理论基础。
出处
《江苏农业科学》
北大核心
2025年第20期173-180,共8页
Jiangsu Agricultural Sciences
基金
国家自然科学基金(编号:62162030、621562039)
现代农业装备江西省重点实验室项目(编号:20242BCC32127)。
