基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷

摘要：為了快速準(zhǔn)確地對水稻進(jìn)行氮素營養(yǎng)診斷，提出一種基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法。該方法通過對雜交稻兩優(yōu)培九進(jìn)行田間試驗，設(shè)置4組不同的氮肥梯度（施氮量分別為0、210、300、390 kg/hm2），掃描獲取水稻葉片圖像并進(jìn)行數(shù)據(jù)預(yù)處理，構(gòu)建基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷模型ResNet34-AFF-SE。使用構(gòu)建的ResNet34-AFF-SE模型對水稻葉片進(jìn)行氮素營養(yǎng)診斷，結(jié)果表明，在水稻生長的幼穗分化期、齊穗期，ResNet34-AFF-SE的識別準(zhǔn)確率為97.5%、97.2%，模型大小為87.9 MB。ResNet34-AFF-SE模型在準(zhǔn)確率和訓(xùn)練時間上優(yōu)于AlexNet、VGG16、MobilNet v3-small等網(wǎng)絡(luò)模型。基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法所建立的ResNet34-AFF-SE模型具有較高的識別準(zhǔn)確率，可以精準(zhǔn)地識別水稻葉片的氮素營養(yǎng)狀況，為水稻作物的氮素營養(yǎng)診斷提供了新的思路。

關(guān)鍵詞：水稻；氮素營養(yǎng)診斷；自適應(yīng)特征融合；ResNet34-AFF-SE；識別準(zhǔn)確率

中圖分類號：S126；S511.01 ""文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）04-0216-07

收稿日期：2023-06-05

基金項目：國家自然科學(xué)基金（編號：62162030、61562039）。

作者簡介：張林朋（1997—），男，江西都昌人，碩士研究生，研究方向為農(nóng)業(yè)信息化與計算機(jī)視覺。E-mail：zlp_1216@163.com。

通信作者：楊紅云，碩士，教授，碩士生導(dǎo)師，主要從事計算機(jī)視覺技術(shù)研究工作。E-mail：nc_yhy@163.com。

在水稻的田間栽培管理中，氮肥對產(chǎn)量的貢獻(xiàn)率約占50%［1］。過量施用氮肥不僅會影響水稻的生長發(fā)育，還會導(dǎo)致氮肥的浪費，并對環(huán)境造成污染［2］。因此，精準(zhǔn)施用氮肥對于水稻的正常生長發(fā)育、植株群體結(jié)構(gòu)優(yōu)化、產(chǎn)量提高具有重要意義［3］。實現(xiàn)氮素營養(yǎng)的快速準(zhǔn)確診斷，可以為水稻的精準(zhǔn)施肥提供依據(jù)，實現(xiàn)優(yōu)化施肥，減少氮肥的浪費，提高氮素利用率，從而為水稻的高產(chǎn)提供支持［4］。

目前，采用計算機(jī)視覺技術(shù)與其他圖像處理技術(shù)相結(jié)合的方法可以無損地進(jìn)行氮素營養(yǎng)診斷，已成為應(yīng)用于作物營養(yǎng)診斷的重要方法之一［5-6］。例如，李嵐?jié)仁褂脭?shù)碼相機(jī)對水稻進(jìn)行氮素營養(yǎng)診斷，發(fā)現(xiàn)冠層色彩參數(shù)紅光標(biāo)準(zhǔn)化值（NRI）與水稻氮素營養(yǎng)指標(biāo)、產(chǎn)量之間具有較好的相關(guān)性［7］；羅建軍等利用圖像處理技術(shù)獲取水稻圖像中的顏色和幾何形態(tài)特征，并應(yīng)用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)診斷，測試集上的平均準(zhǔn)確率達(dá)到99.000%［8］。雖然使用計算機(jī)視覺技術(shù)能夠較為準(zhǔn)確和及時地診斷出水稻的氮素營養(yǎng)缺乏狀況，并據(jù)此提出氮肥的增施方案，但這種方法需要進(jìn)行特征的設(shè)計、提取和優(yōu)化，操作繁雜，對實現(xiàn)自動提取特征和特征融合的氮素營養(yǎng)診斷的相關(guān)研究較少。因此，未來的研究需要探索更加智能化和自主學(xué)習(xí)的氮素營養(yǎng)診斷方法，以提高氮素營養(yǎng)診斷的準(zhǔn)確性和實用性，從而為水稻的高產(chǎn)提供更為有效的技術(shù)支持。

深度學(xué)習(xí)技術(shù)在識別農(nóng)作物病蟲害、雜草、營養(yǎng)診斷等方面得到了廣泛應(yīng)用［9］。以水稻氮素營養(yǎng)診斷為例，Wang等使用強(qiáng)化學(xué)習(xí)增強(qiáng)的 Densenet-121深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型對缺乏氮、磷和鉀的水稻葉片進(jìn)行訓(xùn)練，在測試集上準(zhǔn)確率達(dá)到了97%［10］；Bishwas等采用K均值聚類算法和卷積神經(jīng)網(wǎng)絡(luò)對缺氮、缺磷、缺鉀的水稻葉片進(jìn)行識別和分類，測試集的準(zhǔn)確率能達(dá)到90%［11］；Xu等通過微調(diào)4種最先進(jìn)的DCNN對水稻全營養(yǎng)和10類營養(yǎng)缺乏數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)果表明所有的DCNN測試準(zhǔn)確率均在90%以上［12］；張林朋等通過微調(diào)遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)模型對4類氮素營養(yǎng)葉片進(jìn)行訓(xùn)練，在測試集上取得了97%以上的準(zhǔn)確率［13］。此外，潘圣剛等的研究表明，水稻的幼穗分化期和齊穗期是氮素吸收及快速積累的關(guān)鍵時期［14］。然而，上述前人研究的結(jié)果只是針對多個種類營養(yǎng)元素的水稻葉片進(jìn)行診斷，未考慮單一營養(yǎng)元素施用量，以及不同生長時期對水稻生長的影響。因此，未來的研究需要進(jìn)一步探索單一營養(yǎng)元素的診斷方法，同時結(jié)合不同生長時期對水稻生長的影響，以實現(xiàn)更加準(zhǔn)確和實用的水稻氮素營養(yǎng)診斷技術(shù)。

本研究通過在不同施氮梯度的水稻田間試驗中收集水稻葉片圖像數(shù)據(jù)，提出了一種基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法，并構(gòu)建了相應(yīng)的水稻氮素營養(yǎng)診斷模型。該方法可以通過深度學(xué)習(xí)技術(shù)自動提取水稻葉片圖像的特征，并將不同特征進(jìn)行自適應(yīng)融合，進(jìn)而實現(xiàn)對水稻氮素營養(yǎng)狀態(tài)的準(zhǔn)確診斷，以期為水稻植株氮素營養(yǎng)診斷建模提供理論依據(jù)和技術(shù)參考。

1 材料與方法

1.1 試驗區(qū)概況及試驗設(shè)計

本研究于2017年在江西省南昌市成新農(nóng)場（116°15′E，28°92′N）進(jìn)行水稻試驗。通過測定稻田間土壤的基本理化性質(zhì)，得出pH值為5.30，有機(jī)質(zhì)含量為24.4 g/kg，有效磷含量為0.0127 g/kg，全氮含量為1.40 g/kg，速效鉀含量為0.123 g/kg。試驗品種為兩優(yōu)培九（Liangyoupei 9，LYP9）超級雜交稻，其最佳施氮量為純氮210～300 kg/hm2 ［15］。本研究設(shè)置了N1、N2、N3、N4共4組不同的氮肥梯度，其施氮狀況分別為0、210、300、390 kg/hm2。水稻種植于小區(qū)中，每個小區(qū)長5 m，寬6 m，總面積為30 m2，筑土埂并用塑料薄膜隔開小區(qū)，重復(fù)3次，單灌單排。氮肥按m基肥 ∶m分蘗肥 ∶m穗肥 = 2 ∶1 ∶2施用，鉀肥按m分蘗肥 ∶m穗肥 = 7 ∶3施用，磷肥一次性作基肥施用。施肥過程中磷、鉀肥用量相同，即P2O5用量為 225" kg/hm2，K2O用量為 300" kg/hm2。肥料種類為尿素（含N46%）、氯化鉀K2O（含K2O 60%）和鈣鎂磷肥（含P2O5 12%）［15］。人工移植前1 d施用基肥，人工移植后 7 d 施用分蘗肥，在葉齡余數(shù)為1.5左右施用穗肥［16］。試驗于2017年5月25日播種，同年6月14日移栽，栽插密度：行距×株距為 26.6 cm×13.3 cm，其他操作按常規(guī)的高產(chǎn)栽培要求進(jìn)行［17］。

1.2 水稻葉片圖像獲取

本試驗使用MICROTEK掃描儀（型號MRS-9600TFU2L，上海中晶科技有限公司生產(chǎn)，分辨率為600 dpi）于水稻幼穗分化期（2017年7月24日）和齊穗期（2017年8月24日）掃描獲取水稻圖像。每次掃描獲取960張圖像，其中包括4種不同氮素營養(yǎng)水平的水稻葉片各240張（頂一、二、三葉各80張），共計1 920張2 515像素×3 997像素的水稻圖像。每張水稻圖像都被視為1組水稻數(shù)據(jù)。由于掃描儀掃描長度有限，為了便于掃描水稻葉片圖像，每張葉片被分為葉中和葉尖2個部分，平鋪在同一大小的白色紙張上，同時放置對應(yīng)葉片的葉鞘和一個已知大小的參照物，以便后續(xù)試驗處理。

1.3 葉片圖像預(yù)處理

本研究對獲取的水稻葉片圖像進(jìn)行了預(yù)處理，以便于進(jìn)行水稻氮素營養(yǎng)的診斷。在掃描圖像的過程中，一些水稻葉片可能會出現(xiàn)折疊、蜷縮等現(xiàn)象，因此需要將這些不符合要求的葉片圖像去除。由表1擴(kuò)充前數(shù)據(jù)可知，本試驗實際獲取到的葉片圖像數(shù)據(jù)量為1 832張，其中902張為幼穗分化期的圖像，930張為齊穗期的圖像。部分幼穗分化期的水稻葉片圖像見圖1。

由于本試驗獲取的水稻圖像數(shù)據(jù)較少，構(gòu)建的水稻葉片氮素營養(yǎng)診斷模型可能會出現(xiàn)模型泛化性不足等問題。為了解決這個問題，需要使用數(shù)據(jù)擴(kuò)充方法來增加數(shù)據(jù)量，緩解模型的過擬合問題，提高泛化性。本研究采用了常用的數(shù)據(jù)增強(qiáng)方式，如旋轉(zhuǎn)（rotation）任意角度、翻轉(zhuǎn)（flip）變換任意角度、平移（shift）變換、尺度（scale）變換、增加噪聲（noise）以及調(diào)節(jié)明亮度（brightness）等方式，進(jìn)行數(shù)據(jù)擴(kuò)充。將采集的水稻幼穗分化期和齊穗期的水稻葉片每一類的原有數(shù)據(jù)圖像擴(kuò)充為原來的10倍，構(gòu)建水稻氮素營養(yǎng)數(shù)據(jù)集，詳情見表1擴(kuò)充后數(shù)據(jù)。由于預(yù)處理后圖像的尺寸不一，本研究統(tǒng)一將水稻葉片圖像調(diào)整為224像素×224像素，且圖像格式均為jpg格式。將構(gòu)建的水稻葉片圖像數(shù)據(jù)集，按照訓(xùn)練集 ∶測試集=8 ∶2的比例，隨機(jī)劃分為訓(xùn)練集和測試集，即80%的圖像數(shù)據(jù)用于訓(xùn)練，20%的圖像數(shù)據(jù)用于模型的測試。

1.4 試驗環(huán)境及參數(shù)的設(shè)置

本試驗?zāi)Ｐ偷挠?xùn)練與測試均是在Windows10 64 位操作系統(tǒng)下實現(xiàn)的。試驗的硬件環(huán)境為：12核 Intel Xeon Platinum 8255C CPU@2.50 GHz，內(nèi)存16 GB；GPU使用的是NVIDIA RTX 3060，顯存為12 GB。軟件環(huán)境是 CUDA 11.3、PyTorch1.11.0和Python 3.8.0。

設(shè)置模型的超參數(shù)，設(shè)置批次（batch size）為64，將訓(xùn)練輪數(shù)（epoch）設(shè)置為100。使用Adam優(yōu)化算法［18］，學(xué)習(xí)率設(shè)置為1×10-4。

1.5 相關(guān)網(wǎng)絡(luò)模型

AlexNet是一種深度卷積神經(jīng)網(wǎng)絡(luò)，由Krizhevsky等在2012年提出，被廣泛認(rèn)為是深度學(xué)習(xí)的重要突破之一［19］。AlexNet包含8個卷積層和3個全連接層，其創(chuàng)新之處在于使用了一些目前被廣泛使用的深度學(xué)習(xí)技術(shù)，如ReLU激活函數(shù)、Dropout正則化、數(shù)據(jù)增強(qiáng)等。此外，AlexNet還采用了GPU加速，使得訓(xùn)練時間大大縮短。

VGG16是由Simonyan和Zisserman在2014年提出的深度卷積神經(jīng)網(wǎng)絡(luò)［20］。它是一個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，包含16個卷積層和3個全連接層。VGG16的主要貢獻(xiàn)在于展示了增加網(wǎng)絡(luò)深度可以提高模型性能。此外，VGG16還采用了批量歸一化和Dropout等技術(shù)來降低過擬合風(fēng)險。

ResNet34是由微軟研究院在2015年提出的深度卷積神經(jīng)網(wǎng)絡(luò)，采用殘差連接來解決深度神經(jīng)網(wǎng)絡(luò)中的梯度消失和梯度爆炸問題［21］。該模型包含34層，其中32層是卷積層，另外2層是全連接層。ResNet34的殘差連接在卷積層之間添加了跨層的連接，使得信息可以直接從前面的層傳遞到后面的層，從而減輕了梯度消失和梯度爆炸問題。ResNet34還應(yīng)用了批量歸一化和ReLU激活函數(shù)等技術(shù)，進(jìn)一步提高了模型的性能。

MobileNet是Google于2017年提出的一種輕量級深度卷積神經(jīng)網(wǎng)絡(luò)，其設(shè)計目的是在保持高準(zhǔn)確性的同時，大幅度減少模型參數(shù)和計算量［22］。MobileNet使用深度可分離卷積代替?zhèn)鹘y(tǒng)的卷積操作，從而減少計算量和模型大小。深度可分離卷積將傳統(tǒng)卷積的空間卷積和通道卷積分解為2個操作，使得模型更加輕量化。MobileNet還采用了線性瓶頸結(jié)構(gòu)和全局平均池化等技術(shù)來進(jìn)一步減少模型的參數(shù)和計算量。

EfficientNet是Google于2019年提出的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，其設(shè)計思想是使用復(fù)合系數(shù)來擴(kuò)展網(wǎng)絡(luò)的深度、寬度和圖像分辨率，以實現(xiàn)高效準(zhǔn)確的模型［23］。此外，EfficientNet采用了深度可分離卷積和通道注意力機(jī)制等技術(shù)，將標(biāo)準(zhǔn)的卷積操作分解為深度卷積和逐點卷積，從而減少了計算量和參數(shù)數(shù)量，并學(xué)習(xí)每個通道的重要性，進(jìn)一步減少了模型的計算量，具有更高的計算效率和更小的模型大小，適用于移動設(shè)備和邊緣計算等資源受限的場景。

1.6 遷移學(xué)習(xí)

本研究采用了遷移學(xué)習(xí)方法策略［24］，將在ImageNet大型數(shù)據(jù)集上遷移學(xué)習(xí)的ResNet34殘差網(wǎng)絡(luò)［21］的權(quán)重參數(shù)應(yīng)用于本研究所構(gòu)建的網(wǎng)絡(luò)模型，并作為特征提取模塊，用于水稻氮素營養(yǎng)診斷數(shù)據(jù)集上的水稻葉片特征提取。這種方法有效降低了訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型所需的時間成本、數(shù)據(jù)量和算力需求。在本試驗結(jié)合遷移學(xué)習(xí)和自適應(yīng)特征融合策略，構(gòu)建了水稻氮素營養(yǎng)診斷模型，與從零開始訓(xùn)練相比，遷移學(xué)習(xí)有助于加速網(wǎng)絡(luò)訓(xùn)練過程，使模型更快收斂，并顯著提高模型的分類性能。

1.7 SE注意力模塊

SE注意力模塊是在通道維度增加注意力機(jī)制［25］，如圖2所示。關(guān)鍵操作為Squeeze和Excitation。其算法流程為：給定1個輸入特征圖X1，通過Ftr運算生成特征圖X，經(jīng)過全局平均池化生成1×1×C的特征向量，通過2層全連接層，全連接層使用ReLU激活函數(shù)。Excitation操作通過Sigmoid激活函數(shù)計算每個特征通道的權(quán)值。最后通過Fscale將輸出的通道權(quán)重與原輸入特征圖相乘運算，使得神經(jīng)網(wǎng)絡(luò)更關(guān)注于某些特征通道，抑制無關(guān)特征通道。SE模塊具有即插即用的便利性，本研究擬在特征提取過程中，在ResNet34每一個塊中

引入該模塊，記為MSE，以增強(qiáng)特征的提取能力。

1.8 自適應(yīng)特征融合

選擇現(xiàn)階段比較流行的ResNet34網(wǎng)絡(luò)［21］作為特征提取模塊，獲取不同Block塊的特征圖。不同Block塊的輸出特征圖擁有不同的語義信息。頂部特征圖具有豐富的語義信息，但其分辨率較低；較低的特征圖具有較低的語義信息，但分辨率較高。為了更好地融合不同特征圖，使用自適應(yīng)特征融合（adaptive feature fusion，AFF）方法，進(jìn)行自適應(yīng)特征融合，其公式如下：

Fσ=α1×F1+α2×F2+α3×F3+α4×F4。（1）

其中，αj=ewj∑ewi（i=1，2，3，4；j=1，2，3，4）為歸一化權(quán)值，wj為初始化指數(shù)權(quán)值，wi為特征權(quán)值，F(xiàn)1～F4為經(jīng)注意力機(jī)制參與運算輸出的每一個模塊（Block）的特征圖。該方法使得模型更好地根據(jù)數(shù)據(jù)集的特征，自主地以特定的權(quán)值來融合該層的特征。圖3為本試驗所構(gòu)建的自適應(yīng)特征融合網(wǎng)絡(luò)簡圖。

2 結(jié)果與分析

2.1 自適應(yīng)特征融合消融試驗

使用水稻葉片圖像數(shù)據(jù)集，構(gòu)建模型方案如下：

（1）未使用遷移學(xué)習(xí)的ResNet34網(wǎng)絡(luò)模型，記為ResNet34-N。

（2）使用遷移學(xué)習(xí)的ResNet34網(wǎng)絡(luò)模型，記為ResNet34-TF。

（3）在方案（2）所構(gòu)建的網(wǎng)絡(luò)模型中使用自適應(yīng)特征融合的ResNet34網(wǎng)絡(luò)模型，記為 ResNet34-AFF。

（4）在方案（3）中網(wǎng)絡(luò)的特征提取部分引入MSE注意力模塊，其模型記為ResNet34-AFF-SE。

使用上述方案，試驗結(jié)果如表2所示。

由表2可知，使用遷移學(xué)習(xí)可以提高模型的準(zhǔn)確率。同時，使用自適應(yīng)特征融合能夠提升模型約1.1百分點的準(zhǔn)確率，增加的訓(xùn)練時間僅約為 306 s。另外，使用SE注意力模塊可以在使用自適應(yīng)特征融合后的模型識別準(zhǔn)確率之上，提高0.8百分點的準(zhǔn)確率。在不考慮模型大小的影響下，引入遷移學(xué)習(xí)和自適應(yīng)特征融合方法可以有效地提高模型的準(zhǔn)確率。根據(jù)圖4可知，使用遷移學(xué)習(xí)和自適應(yīng)特征融合所構(gòu)建的ResNet34-AFF-SE模型在訓(xùn)練早期未出現(xiàn)損失值（loss值）突變，loss曲線更加平穩(wěn)收斂。在同一模型下，幼穗分化期的準(zhǔn)確率略高于齊穗期（表2），這可能是雜交稻生長后期易出現(xiàn)的“早衰”現(xiàn)象。

2.2 ResNet34-AFF-SE與其他網(wǎng)絡(luò)模型效果的對比

為了更好地驗證本研究所構(gòu)建的ResNet34-AFF-SE網(wǎng)絡(luò)模型的有效性，與AlexNet［19］、VGG16［20］、MobileNet v3-small［22］和EfficientNet_b0［23］網(wǎng)絡(luò)進(jìn)行對比，其結(jié)果見表3。

由表3可知，不同的網(wǎng)絡(luò)模型在識別準(zhǔn)確率、訓(xùn)練時間和模型大小等方面存在較大的差異。本研究構(gòu)建的ResNet34-AFF-SE模型在水稻氮素營養(yǎng)診斷的識別準(zhǔn)確率方面均優(yōu)于AlexNet、VGG16、MobileNet v3-small和EfficientNet_b0網(wǎng)絡(luò)模型，在模型訓(xùn)練時間和模型大小方面均優(yōu)于AlexNet、VGG16網(wǎng)絡(luò)模型。值得注意的是，雖然EfficientNet_b0網(wǎng)絡(luò)所使用的深度可分離卷積具有較好的特征提取效果（訓(xùn)練時間最短），且其模型所占內(nèi)存較為合適，但在準(zhǔn)確率上仍弱于ResNet34-AFF-SE網(wǎng)絡(luò)。因此，本研究所構(gòu)建的ResNet34-AFF-SE模型可以為水稻氮素營養(yǎng)診斷提供較為準(zhǔn)確和高效的解決方案，而EfficientNet_b0網(wǎng)絡(luò)則可以為后續(xù)的應(yīng)用開發(fā)提供參考依據(jù)。

2.3 幼穗分化期和齊穗期測試集上的對比

在幼穗分化期和齊穗期時，使用上述的ResNet34-AFF-SE網(wǎng)絡(luò)模型，將2組不同生長期的圖像數(shù)據(jù)分別在該模型上訓(xùn)練100輪，其在測試集上的效果如表4所示。

由表4可知，水稻在生長的幼穗分化期、氮素營養(yǎng)為N3時，該模型的識別精確率最高；4類氮素營養(yǎng)的識別精確率均高于96%。而在齊穗期，氮素營養(yǎng)為N1和N4時的識別精確率高于氮素營養(yǎng)為N2和N3的精確率；4類氮素營養(yǎng)的識別精確率由高到低依次為N4、N1、N2和N3。該模型不僅適用于水稻幼穗分化期的氮素營養(yǎng)診斷，同樣適用于水稻齊穗期的氮素營養(yǎng)診斷。在水稻幼穗分化期和齊穗期的測試集上評估該模型，得到的混淆矩陣見圖5。

經(jīng)圖5的分析可知，

在幼穗分化期時有18張N3圖片誤識別為N2；齊穗期時有29張N2的圖片誤識別為N3，13張N3的圖片誤識別為N2，這可能是由于N2和N3是最佳施氮量的閾值，難以通過葉片直接進(jìn)行區(qū)分所致；同時，在幼穗分化期和齊穗期亦存在N1和N4之間的誤判，這可能是由于后期田間管理不規(guī)范或數(shù)據(jù)預(yù)處理時未對圖像進(jìn)行噪聲處理等因素所致。由圖5還可以看出，本研究所構(gòu)建的ResNet34-AFF-SE網(wǎng)絡(luò)模型對水稻作物

的氮素營養(yǎng)診斷具有較好的識別準(zhǔn)確率。在幼穗分化期，該模型在測試集上對氮素營養(yǎng)的識別準(zhǔn)確率從高到低依次為N2、N1、N4、N3；在齊穗期，該模型在測試集上對氮素營養(yǎng)的識別準(zhǔn)確率從高到低依次為N1、N4、N3、N2。因此，ResNet34-AFF-SE網(wǎng)絡(luò)模型可以為水稻作物的氮素營養(yǎng)診斷提供新的參考。

3 討論與結(jié)論

近年來，水稻產(chǎn)量大幅提升，但品質(zhì)未見明顯改善且肥料利用率下降［26］。因此，如何合理施用肥料對水稻生長非常重要。一些現(xiàn)有的水稻營養(yǎng)診斷研究只針對某個具體日期或時間段進(jìn)行，缺乏對不同生長期的全面研究。這種方法可能不能準(zhǔn)確地評估水稻在不同生長階段的營養(yǎng)狀況，限制了對水稻營養(yǎng)狀態(tài)的有效管理。因此，水稻營養(yǎng)診斷研究應(yīng)該考慮到不同生長期的差異，并綜合分析各個生長期的數(shù)據(jù)，以更全面、準(zhǔn)確地了解水稻的營養(yǎng)狀況，為水稻高產(chǎn)提供更有效的理論支持。本研究使用基于自適應(yīng)特征融合的方法對水稻氮素營養(yǎng)進(jìn)行診斷，在齊穗期時得出N1、N4的氮素營養(yǎng)識別精確率高于N2、N3。這一研究結(jié)果與周瓊等的研究結(jié)論［27］相符，表明該研究方法的可行性，從而對實現(xiàn)水稻的高產(chǎn)具有重要意義，為實現(xiàn)水稻高產(chǎn)提供了重要的理論基礎(chǔ)，對于推進(jìn)農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展也具有重要意義。然而，在幼穗分化期和齊穗期，氮素營養(yǎng)為N1和N4、N2和N3時，彼此分類錯誤的概率較大，這可能是由于田間稻田土壤肥力不均勻、田間管理不規(guī)范和數(shù)據(jù)預(yù)處理時未對圖像進(jìn)行消噪處理等因素的影響。此外，幼穗分化期的識別準(zhǔn)確率略高于齊穗期，可能是由于超級雜交稻生育后期易出現(xiàn)早衰現(xiàn)象，葉片的含氮量快速衰減，難以通過葉片直接進(jìn)行區(qū)分［28］。這項研究的結(jié)果為水稻的精確施肥提供了理論依據(jù)，有助于實現(xiàn)水稻的高產(chǎn)。

在水稻生長的幼穗分化期和齊穗期，使用自適應(yīng)特征融合可以提高模型在訓(xùn)練集上的識別準(zhǔn)確率約1.1百分點，而在此基礎(chǔ)上使用SE注意力機(jī)制可以進(jìn)一步提高約0.8百分點的準(zhǔn)確率［29］。相比于AlexNet、VGG16和EfficientNet_b0模型，本研究所構(gòu)建的ResNet34-AFF-SE模型在準(zhǔn)確率方面確實表現(xiàn)優(yōu)秀，并且在訓(xùn)練時間和模型大小方面也相對較好，表明ResNet34特征提取模型具備良好的特征提取能力。雖然EfficientNet_b0網(wǎng)絡(luò)在使用深度可分離卷積提取特征方面表現(xiàn)出良好的效果［30］，且模型大小適中，但在準(zhǔn)確率上仍然弱于ResNet34-AFF-SE網(wǎng)絡(luò)。因此，該模型可以為后續(xù)的開發(fā)應(yīng)用提供參考?？傮w而言，該方案構(gòu)建的ResNet34-AFF-SE模型在水稻氮素營養(yǎng)診斷方面具有較好的識別準(zhǔn)確率，為相關(guān)領(lǐng)域的應(yīng)用提供了新的思路和參考。

本研究所構(gòu)建的水稻氮素營養(yǎng)診斷模型能夠較好地判定水稻葉片氮素含量的缺失狀況，但僅能提供水稻最佳施氮量的一個范圍。因此，后續(xù)的研究中需要增加多個不同施氮梯度，以進(jìn)行更加精準(zhǔn)的診斷研究。本研究僅在水稻的幼穗分化期和齊穗期試驗了1種水稻品種，因此，需要考慮其他品種、不同生長關(guān)鍵期、多個不同梯度的施肥方案以及使用數(shù)碼相機(jī)、手機(jī)拍照等非掃描方式獲取圖像等因素的影響。水稻氮素營養(yǎng)診斷的核心目的是建立適合的追施肥體系，并據(jù)此進(jìn)行推薦施肥。因此，如何更好地進(jìn)行氮素營養(yǎng)診斷，使其更加科學(xué)合理地指導(dǎo)肥料使用和農(nóng)業(yè)生產(chǎn)［31］，還需要進(jìn)一步的研究與探索。通過進(jìn)一步的研究和實踐，可以不斷優(yōu)化水稻氮素營養(yǎng)診斷模型，提高其準(zhǔn)確性和實用性，從而為水稻高產(chǎn)提供更為有效的技術(shù)支持，促進(jìn)農(nóng)業(yè)的可持續(xù)發(fā)展。未來，基于深度學(xué)習(xí)技術(shù)的水稻氮素營養(yǎng)診斷方法將會得到更深入的研究和應(yīng)用，為水稻高產(chǎn)生產(chǎn)提供更加有效的技術(shù)支持。同時，還需要考慮如何將該方法應(yīng)用于實際生產(chǎn)中，以便更好地滿足農(nóng)業(yè)生產(chǎn)的需求。

本研究基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法，構(gòu)建ResNet34-AFF-SE網(wǎng)絡(luò)模型，用于水稻氮素營養(yǎng)診斷，得到以下結(jié)論：（1）ResNet34-AFF-SE網(wǎng)絡(luò)模型在水稻氮素營養(yǎng)診斷方面表現(xiàn)出較高的準(zhǔn)確率，彌補(bǔ)了傳統(tǒng)機(jī)器學(xué)習(xí)人工提取特征的不足，為水稻等作物的營養(yǎng)診斷提供了理論基礎(chǔ)。（2）使用遷移學(xué)習(xí)可以加快模型的收斂速度，提高模型的準(zhǔn)確率，并節(jié)約計算資源。遷移學(xué)習(xí)的模型已經(jīng)在大規(guī)模數(shù)據(jù)集上進(jìn)行了訓(xùn)練，可以學(xué)習(xí)到豐富的特征信息，具備較好的遷移能力。微調(diào)遷移學(xué)習(xí)模型，可以避免大量時間和計算資源從零開始訓(xùn)練，降低過擬合的風(fēng)險，提高模型的泛化能力。（3）在水稻生長的幼穗分化期和齊穗期，該模型的識別準(zhǔn)確率分別為97.5%和97.2%，表明該方法是有效和可行的，可用于水稻的氮素營養(yǎng)診斷。

參考文獻(xiàn)：

［1］黃 秀，葉 昌，燕金香，等. 不同氮吸收效率水稻品種的苗期銨吸收特性及生長差異分析［J］. 中國農(nóng)業(yè)科學(xué)，2021，54（7）：1455-1468.

［2］劉立軍，王志琴，桑大志，等. 氮肥運籌對水稻產(chǎn)量及稻米品質(zhì)的影響［J］. 揚州大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2002，23（3）：46-50.

［3］賀 帆，黃見良，崔克輝，等. 實時實地氮肥管理對水稻產(chǎn)量和稻米品質(zhì)的影響［J］. 中國農(nóng)業(yè)科學(xué)，2007，40（1）：123-132.

［4］馬立珩，張 瑩，隋 標(biāo)，等. 江蘇省水稻過量施肥的影響因素分析［J］. 揚州大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2011，32（2）：48-52，80.

［5］羅建軍. 基于計算機(jī)視覺技術(shù)與高光譜技術(shù)的水稻氮素營養(yǎng)診斷研究［D］. 南昌：江西農(nóng)業(yè)大學(xué)，2021.

［6］黃筑斌，吳 雋. 計算機(jī)視覺在我國水稻生產(chǎn)中的應(yīng)用研究概述［J］. 農(nóng)技服務(wù)，2021，38（12）：44-48.

［7］李嵐?jié)?，?萌，任 濤，等. 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營養(yǎng)診斷［J］. 植物營養(yǎng)與肥料學(xué)報，2015，21（1）：259-268.

［8］羅建軍，楊紅云，路 艷，等. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)診斷［J］. 中國農(nóng)業(yè)科技導(dǎo)報，2020，22（8）：83-92.

［9］Wang D S，Cao W J，Zhang F，et al. A review of deep learning in multiscale agricultural sensing［J］. Remote Sensing，2022，14（3）：559.

［10］Wang C H，Ye Y，Tian Y H，et al. Classification of nutrient deficiency in rice based on CNN model with reinforcement learning augmentation［C］//Proceedings of the 2021 international symposium on artificial intelligence and its application on media （ISAIAM）.Xi’an，China：IEEE，2021：107-111.

［11］Bishwas R，Yasmin S，Turzo N A. Relative comparison of K-means clustering segmented rice leaves image based nitrogen，phosphorus，and potassium nutrient deficiency classification using convolutional neural network［C］//Proceedings of the 2021 international conference on science amp; contemporary technologies （ICSCT）.Dhaka，Bangladesh：IEEE，2021：1-6.

［12］Xu Z，Guo X，Zhu A F，et al. Using deep convolutional neural networks for image-based diagnosis of nutrient deficiencies in rice［J］. Computational Intelligence and Neuroscience，2020，2020：7307252.

［13］張林朋，楊紅云，錢 政，等. 基于改進(jìn)的VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻氮素營養(yǎng)診斷［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報，2023，28（6）：219-229.

［14］潘圣剛，黃勝奇，張 帆，等. 超高產(chǎn)栽培雜交中秈稻的生長發(fā)育特性［J］. 作物學(xué)報，2011，37（3）：537-544.

［15］曾勇軍，石慶華，潘曉華，等. 施氮量對高產(chǎn)早稻氮素利用特征及產(chǎn)量形成的影響［J］. 作物學(xué)報，2008，34（8）：1409-1416.

［16］程慧煌，商慶銀，易振波，等. 不同產(chǎn)量水平超級雜交稻產(chǎn)量形成特征及其對施肥量的響應(yīng)［J］. 中國稻米，2017，23（4）：81-88.

［17］劉立軍，王康君，卞金龍，等. 水稻產(chǎn)量對氮肥響應(yīng)的品種間差異及其與根系形態(tài)生理的關(guān)系［J］. 作物學(xué)報，2014，40（11）：1999-2007.

［18］Kingma D P，Ba J. Adam：a method for stochastic optimization［J/OL］. （2014-12-22）［2023-06-05］. http：//arxiv.org/abs/1412.6980.pdf.

［19］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60（6）：84-90.

［20］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. Computer Science，2014，52（3）：1-14.

［21］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//Proceedings of the 2016 IEEE conference on computer vision and pattern recognition （CVPR）.Las Vegas，NV，USA：IEEE，2016：770-778.

［22］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//Proceedings of the 2019 IEEE/CVF international conference on computer vision （ICCV）.Seoul，Korea （South）：IEEE，2019：1314-1324.

［23］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［C］//Proceedings of the 36th international conference on machine learning. Long Beach：ICML，2019：6105-6114.

［24］Pan S J，Yang Q. A survey on transfer learning［J］. IEEE Transactions on Knowledge and Data Engineering，2010，22（10）：1345-1359.

［25］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//Proceeding of the 2018 IEEE/CVF conference on computer vision and pattern recognition.Salt Lake City，UT，USA：IEEE，2018：7132-7141.

［26］韓展譽，吳春艷，許艷秋，等. 不同施氮水平下灌漿期高溫對水稻貯藏蛋白積累及其合成代謝影響［J］. 中國農(nóng)業(yè)科學(xué)，2021，54（7）：1439-1454.

［27］周 瓊，楊紅云，楊 珺，等. 基于BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)的水稻圖像氮素營養(yǎng)診斷［J］. 植物營養(yǎng)與肥料學(xué)報，2019，25（1）：134-141.

［28］郭士偉，趙學(xué)強(qiáng)，夏士健，等. 超級雜交稻生育后期葉片和根系的衰老營養(yǎng)生理研究［J］. 華北農(nóng)學(xué)報，2014，29（3）：115-121.

［29］徐 沁，梁玉蓮，王冬越，等. 基于SE-Res2Net與多尺度空譜融合注意力機(jī)制的高光譜圖像分類［J］. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2021，33（11）：1726-1734.

［30］劉 洋，馮 全，王書志. 基于輕量級CNN的植物病害識別方法及移動端應(yīng)用［J］. 農(nóng)業(yè)工程學(xué)報，2019，35（17）：194-204.

［31］李 明，李迎春，韓 雪，等. 大氣CO2濃度升高和氮肥互作對玉米花后功能葉碳氮同化物的影響［J］. 中國農(nóng)業(yè)氣象，2021，42（9）：715-728.