基于迁移学习和改进ResNet34的水稻磷素营养诊断

来源：江苏农业科学杂志2025年第第20期北京时间：

作者：刘智洋;杨红云;涂梦琪;廖宣英;杨河;孙爱珍

单位：1.江西农业大学软件学院，江西南昌330045； 2.江西农业大学计算机与信息工程学院，江西南昌330045； 3.现代农业装备江西省重点实验室，江西南昌330045

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%，F1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。

关键词：水稻;磷素营养诊断;迁移学习;注意力机制;多级融合