基于自适应特征融合改进AlexNet的水稻磷素营养诊断

摘要

【目的】对水稻Oryza sativa L.磷素营养状况进行精确、高效地诊断识别，提升水稻的产量及品质。【方法】提出了一种基于自适应特征融合改进AlexNet的水稻磷素营养诊断方法。该方法以AlexNet为基础主干网络模型，首先，引入迁移学习策略，将在ImageNet图像数据集上获得的预训练权重迁移至基础网络中，以增强初始网络性能；同时，在网络4个特征提取阶段的每一个阶段分别引入1个残差模块和1个Inception模块，用于增强深层局部特征提取和多尺度特征表达能力；最后，引入自适应特征融合机制，对不同阶段提取的特征进行权重调节和有效整合，提升模型对关键磷素营养信息的感知能力。【结果】改进后的AlexNet网络在水稻分蘖期和拔节期的识别准确率分别达到94.81%和86.35%，比改进前的AlexNet网络分别提升了7.44和20.77个百分点；与AlexNet、GhostNet、ResNet34网络模型进行对比，改进后的AlexNet网络模型在分蘖期的识别精确率、召回率分别达到94.86%和94.81%，拔节期为86.30%和86.35%，整体识别性能均优于对比模型。在植物病害公共数据集Plant Village上，改进后的AlexNet网络模型也达到优异的效果，识别准确率达到99.24%，精确率和召回率分别为99.25%和99.24%，进一步验证了模型的有效性和泛化能力。【结论】本研究所构建的水稻磷素营养诊断模型能够更准确、高效地诊断水稻磷元素缺乏程度，为水稻科学施肥提供理论支持，同时也为其他农作物的病害诊断识别提供有力的科学参考。

关键词

水稻 / 磷素营养 / AlexNet / 残差模块 / Inception模.块 / 自适应特征融合 / 迁移学习