基于CA_MobileViT模型的水稻鉀素營養診斷研究

doi：10.13304/j.nykjdb.2024.0146

中圖分類號：S126 文獻標志碼：A 文章編號：1008-0864（2025）08-0080-09

Diagnosisof Potassium Nutrition inRiceBased on CA_MobileViTModel

WU Zheng1，YANG Hongyun2*，SUN Aizhen1，KONG Jie2，HUANG Shumei2 （1.SchoolofComputerandInformationEnginering，JiangxiAgricultural University，Nanchang330o45，China;2.hlf Software，Jiangxi Agricultural University，Nanchang 33OO45，China）

Abstract： In order to rapidly and accuratelely diagnose and recognize potassium stress degree of rice，The Huanghuazhan varietyoflatericewasusedas material，and4potassiumfertilization levels weresetrespectivelyfor base fertilizer and topdressng at jointing stage.Taking scanned images of3spread leavesof main stem at tiller stage and jointingstageasdataset，and MobileViTastheskeleton，the CA MobileViTmodelwasconstructedafter introducingCoordinate Attentionto the BNLayer of each 3×3 convolutioninthelayerof MobileViTand introduce transferlearning.Theresults were verified bycomparing EfficientNet-V2，ConvNeXt，MobileViTand CA ^- MobileViT models.The results showed that the accuracy rates of the 4 models were 98.4% ， 98.5% ， 94.2% and 95.3% ， respectively. The accuracy of CA_MobileViT model was 95.3% ，1.1 percent point higher than that of MobileViT model，but3.1percentpoint lowerthanthatofEficientNet-V2modeland3.2percentpointlowerthanthatof ConvNeXt model.However，the numberof parameters of CA_MobileViTmodels was about 1/4of the EffcientNet-V2 and ConvNeXt large models，and the training time was reduced by about 1/3 .Theimproved CA_MobileViT model hasahigh accuracy forthe diagnosis of potassium stress degree of rice，and could effectively guide the scientific potassium topdressing management of rice，and also provideauniversaland feasible method for the rapid and accurate diagnosis of nutrition of other crops.

eyWords：rice；potassium nutrition diagnosis；lightweight hybrid model;transferlearning；Coordinate Attentiol

鉀素作為農作物生長發育所必需的礦物質元素之一，在植物生命活動中極其重要，它可以促進碳水化合物的合成和運輸，促進蛋白質的合成1土壤自身富含多種礦物質，是植物根系獲取鉀素的主要來源。我國 60% 耕地土壤都存在鉀素缺乏，精準施肥成為促進農作物生長的關鍵。因此，對農作物的營養診斷極為重要，需要專業的儀器設備4。現階段，農作物鉀素的診斷主要分為化學檢測和高光譜遙感等，而化學檢測需要專業人員用專業設備進行分析，高光譜檢測儀則價格昂貴，不宜普及。

近年來，隨著深度學習算法的層出不窮，其在植物病害和營養診斷方面的應用得到廣泛關注。Espej-Garcta等提出了一種深度神經網絡結構HCA-MFFNet用于復雜背景下診斷玉米葉病，模型的準確率為 97.75% 。Bevers等采用基于遷移學習的Efficient-B4對甜菜進行疾病分類診斷，在2個數據集上分別獲得了 98.65% 和 98.52% 的準確率，并使用梯度加權類激活映射（Grad-CAM）進行了準確性的分析，熱力圖表明Efficient-B4能準確定位到甜菜的疾病特征位置。Azgomi等基于DenseNet-201對大豆8類疾病進行識別診斷，準確率達到了 96.7% 。周瓊等提出了一種基于神經網絡的蘋果真菌病害圖像分類和病害診斷的ADD-NN方法，將痂病、苦腐病、黑腐病以及健康水果作為網絡的4個輸出，結果表明，采用第一層8個神經元、第二層8個神經元的2層結構，獲得的準確率最高為 73.7% 。楊紅云等[]利用圖像視覺處理技術提取水稻葉片紋路特征與顏色特征，采用BackPropagation神經網絡和概率神經網絡提取了19項特征對水稻氮素營養進行診斷識別，結果表明，BP神經網絡模型優于概率神經網絡模型，準確率達到 90% 。 Yu 等采用DenseNet、ResNet-50、InceptionResNet-V2集成的卷積神經網絡建立了氮素營養診斷模型，將水稻氮素不同脅迫程度診斷識別準確率達到了 98.10% ，且模型具有很強的泛化能力和學習能力，為水稻營養診斷提供了新的思路。

Transformer是一種深度學習模型，其核心在于自注意力（self-attention）機制，這使得模型能夠同時考慮輸入序列中的所有位置，為每個位置分配不同的注意權重，從而捕捉數據中的復雜關系和模式。隨著Transformer在自然語言處理（NLP-naturallanguageprocessing）領域大放異彩，研究人員在圖像分類中引入了Transformer架構，其也被引入到了農業領域中。Thai等2提出基于Transformer改進的模型進行植物病害檢測，取得了 99.94% 的準確率。Dhar等[3]提出了基于Transformer的改進模型FormerLeaf，用于木薯葉病害檢測，并引入了Leap算法來優化模型，將模型大小降低了 28% ，同時模型訓練速度加快了15% ，準確率提高了 3% ，此外還采用系數矩陣-矩陣乘法（SPMM）來計算模型中的矩陣相關性，從而降低了模型的復雜性，結果表明，提出的FormerLeaf模型取得了 96.82% 的準確率，比VGG、Resnet-50等CNN模型準確率都要高。這些深度學習模型雖然在診斷中取得了良好的結果，但開發過程需要大量的訓練時間和計算資源[13-15]，對移動端設備與嵌入式設備來說是難以實現的。

上述研究表明，深度學習算法進行農作物病蟲害和營養診斷識別是可行的。但網絡模型參數較大，且卷積神經網絡模型雖擅長提取局部特征，在捕獲全局特征表示方面還是存在一定的局限性；而Transformer的級聯自注意力模塊可以捕獲長距離的特征依賴，但會忽略局部特征，從而無法捕捉關鍵特征信息，導致模型性能下降。因此，本研究提出具有協同注意力機制的輕量級CNN與Transformer的混合模型CA_MobileViT，既以較高的精度實現了水稻鉀素不同脅迫程度的營養診斷識別，同時也極大地降低了模型參數的數量，為水稻等農作物營養診斷識別輕量級建模方法奠定了理論基礎。

1材料與方法

1.1 田間試驗

水稻田間栽培試驗在江西省吉安市新干縣進行 （115.3^°E，27.7^°N） ，該區域屬于亞熱帶季風氣候，年平均氣溫在 16～24°C ，年總日照時數為1808.2h ，年總降雨量為 1571.8mm 。

于2022年進行晚稻綜合田間試驗。試驗田共有4塊，田塊面積約 1.5m² ，每塊移栽水稻50株，品種為晚稻黃花占（江西農業大學農學試驗站提供），6月25日播種，7月18日移栽。第一次基肥氮肥（N，尿素）磷肥（P，鈣鎂磷肥）施加水平相同，試驗設置了4個鉀肥（K，氯化鉀）梯度（施鉀肥比例 0：0.5：1.0：1.5 ；施鉀肥量：0（KO）、9.45（K1）、18.9（K2） $、 2 8 . 3 5 ＼ ＼underline { { ＼mathrm { g } } } ＼cdot ＼mathrm { m } ^ { - 2 } （ ＼mathrm { K } 3 ）$ 。第二次分蘗期施肥時僅施加氮（N）肥 （7.82g?m^-2） 。第三次拔節期追加相同的氮（N）肥 （11.73g?m^-2.07g） ），4個處理施鉀肥量分別為 0，1.62，6.07，12.15g?m^-2 ，其他正常栽培管理。供試化肥為尿素， N?46% ，安陽中盈化肥有限公司生產；氯化鉀， K₂O?60% ，中國農業生產資料集團公司生產；鈣鎂磷肥， P₂O₅gtrsim12.0% 荊門市高園磷肥有限公司生產。

1.2葉片數據采集與預處理

研究樣本選用水稻頂部3片完全展開葉，分別在2022年8月6日（分期）和2022年8月26日（拔節期）掃描圖像。水稻數字圖像獲取的設備選用MICORTEK平板掃描儀（MRS9600TFU2L，上海中晶科技有限公司生產），圖像傳感器為CCD，分辨率為600像素。所獲取的圖像均存儲為JPG格式，分辨率為 8401×14401 像素。4個類別各采集390幅圖像，總計獲得2個時期8個類別的水稻葉片圖像3120幅。每個分類類別的圖像數量大致相同，使用CNN模型學習效果較好[6]。

使用Photoshop中的套索工具將葉片提取出來，并將背景統一設置為黑色，提取的圖像分辨率很大，使用Python庫將分辨率像素調整為600×600 以減少圖像處理的時間。

1.3 MobileViT

MobileViT架構融合了傳統卷積層、MobileNetV2的InvertedResidual塊、特有的MobileViT塊、全局池化層以及全連接層，其內部網絡結構被細化為5個層級（圖1A）。其中，MobileViT塊（圖1B）是該架構的核心組成部分，該塊通過 3×3 卷積層對輸人特征圖進行局部特征建模，利用 1×1 卷積層調整通道數以適應后續操作。利用Unfoldgt;Transformergt;Fold結構進行全局特征建模，以捕捉輸人特征圖的全局上下文信息。通過 1×1 卷積層將通道數恢復到原始大小，以便與原始輸入特征圖進行拼接。經過shortcut捷徑分支，MobileViT塊將經過全局特征建模的特征圖與原始輸入特征圖在通道維度上進行Concat拼接。通過1個 3×3 卷積層對拼接后的特征圖進行特征融合，生成該塊的最終輸出。

A：MobileViT整體架構；B：MobileViTBlock結構； P 代表Patch中的像素： N 為Patch的數量;d代表處理后的特征維度；H和W分別代表特征圖或輸入圖像的高度和寬度

圖1MobileViT流程

A：OverallarchitectureofMobileViT;B：MobileViTBlockstructure; P represents the pixels in the patch; N isthe number of patches; d 2 represents the processed feature dimension; H and W represent the height and width of the feature map or input image，respectively

FIG.1 MobileViTflow

1.4 CA_MobileViT模型構建

本研究提出了一種改進的輕量混合架構模型CA_MobileViT（圖2），該模型結合了CNN與transformer，并引人了協同注意力機制（coordinateattention，CoordATT）。CoordATT通過將通道注意力分解為2個不同空間方向上的1D特征編碼過程，旨在捕捉不同空間方向的長距離依賴，并將2個方向編碼后的特征信息與輸人特征圖進行融合，增強模型對局部特征信息的提取能力。與二維卷積不同，CoordATT從 X 和Y方向建模空間注意力，其中任一通道的不同位置通過特定權重模板進行共享。具體而言，CoordATT利用2個1D全局池化操作將輸入特征圖沿垂直和水平方向分別聚合為2個獨立的direction-aware featuremaps。這2個特征圖隨后被編碼為2個attentionmaps，每個attentionmap沿1個空間方向捕獲輸入特征圖的遠距離依賴關系。位置信息因此被保留在生成的attentionmaps中。最終，將這2個attentionmaps與原始輸人特征圖相乘，實現對特定區域的注意力強調。

以MobileViT為基礎架構，將CoordATT機制引入到MobileViT每層中的 3×3 卷積的批量歸一化（BN）層之后（圖2B），使模型能夠在保持計算效率的同時，進一步提升對圖像特征的表征能力。

全局池化方法通常用于通道注意編碼空間信息的全局編碼，由于它將全局空間信息壓縮到通道中，導致很難保存位置信息。為了促使注意力模塊能夠捕捉具有精確位置信息的遠程空間的交互，按照以下公式分解全局池化，轉化為一對一維特征編碼，如公式（1）。

式中： ?X 為輸人， H，W 為通道的高度和寬度。

具體來說，給定輸入 X ，首先使用尺寸為 （H，I） 或 （l，W） 的poolingkernel分別沿著水平坐標和垂直坐標對每個通道進行編碼。高度為 h 的第 c 通道的輸出和寬度為 w 的第 ∣c∣ 通道的輸出可以表示為公式（2）和（3）。

上述2種變換分別沿2個空間方向聚合特征，得到1對方向感知的特征圖。

A：CoordATT模塊結構；B：改進的網絡主干部分；C：模型流程結構

圖2CA_MobileViT模型 Fig.2CA_MobileViTmodel

A：CoordATTmodule structure;B：Improved network backbone;C：Model process structure

1.5 模型性能評估

本研究采用模型準確率（accuracy，A）、精確率（precision， P ）、召回率（recall，R）、特異性（Specificity，S）和 F₁ 分數 （F₁） 來評估模型的性能。準確率為模型預測正確數量所占總數的比例，精確率為被識別為正類別的樣本中為正類別的比例，召回率為所有正類別樣本中被正確識別為正類的比例。這些指標越高表明模型的性能越好和模型越穩定，計算公式如下。

（5）

式中： T_P 為真正例， T_ν 為真負例， F_p 為假正例， F_N 為假負例。

1.6數據增強與模擬試驗設置

1.6.1數據增強采用從田間獲得的3120幅原始圖像作為數據集。試驗選取2個優秀的卷積神經網絡Efficient-V2和ConvNeXt[7與改進的模型進行對比。利用Python腳本將整個數據集隨機按6：4劃分為訓練集和測試集，采用分類交叉熵損失函數（categorical cross-entropy loss function，CCELF）來訓練模型。優化器方面分別選取了SGD和AdamW。每個類別（390幅）使用隨機角度旋轉、水平翻轉、對比度增強、銳化增強、混合增強、高斯噪聲、椒鹽噪聲、乘性噪聲等方法擴充8倍，共3510幅，最終得到 4×3510=14040） 幅水稻葉片圖像，按6：4劃分為訓練集與測試集進行試驗。

1.6.2模擬試驗設置試驗硬件環境為RTX4080，Intel@CoreTMi7-13700KF（2.7GHzbasefrequency，upto5.4GHzwithIntel？TurboBoostTechnology，3OMBcache，16cores）。試驗時使用學習率預熱（warmup）的方法來調整學習率，warmup有助于減緩模型在初始階段對 mini-batch 的提前過擬合現象，保持分布的平穩，同時也有助于保持模型的穩定性。學習率衰減（learningratedecay）可以使深度學習算法運行得更快，能保證損失函數最終擺動時處在離最優值很近的范圍內。試驗采用了余弦退火（CosineAnnealingLR）來調整學習率。試驗中4個網絡模型均使用了 384×384×3 像素大小的RGB圖像為輸入數據。對圖像進行歸一化處理，確保在[0，1]范圍內數據分布均勻。這在imagedatgenerator中自動完成，通過按通道數量重新縮放圖像像素值，即 1/255^[18]

1.6.3分藥期模型分類對比試驗單獨對MobileViT和CA_MobileViT兩個模型進行對比，采用分蘗期數據集訓練模型，訓練進行了240次迭代，優化器選用AdamW，學習率 _=0.0001 ，batch-size ：=8 。

2 結果與分析

2.1模型試驗結果

2.1.1拔節期模型分類效果對比 Efficient-V2、ConvNeXt、MobileViT和CA_MobileViT模型在水稻鉀素營養診斷上都取得了良好的結果（圖3），Accuracy都超過了 94.0% ，損失曲線也都從第40個epoch后趨于平滑下降。其中純卷積模型ConvNeXt的表現最佳，準確度達到了 98.5% ，并在第30個epoch后開始收斂，是收斂最快的模型。其次是EfficientNet-V2（ 98.4% ）。輕量級混合模型MobileViT準確率為 94.2% ，改進的具有協同注意力機制的CA_MobileViT準確率為 95.3% ，雖然略低于EfficientNet-V2和ConvNeXt模型，但在MobileViT的基礎上提高了1.1百分點，且模型參數僅約為ConvNeXt和EfficientNet-V2模型的25% ，模型的訓練時間也減少了近 30% 。模型的參數設置及參數量數如表1所示。

圖3拔節期模型性能曲線

Fig.3Performance curve of the jointing stage model

2.1.2分藥期模型分類效果對比從圖4可以看出，MobileVit和CA_MobileViT準確率分別為90.1% 和 92.0% ，改進的CA_MobileViT且模型收斂得更加平滑，損失曲線的波動也相對更小；二者的訓練時間幾乎一致，再次表明改進后的CA_MobileViT較MobileViT有良好的提高。表2總結了4個模型在基于遷移學習進行訓練的模型性能，改進后的模型CA_MobileViT的準確率、精度、召回率、特異性""分數分別為 95.3% ） 95.3% 、（2號 95.3%.98.4% 0.952，均高于原模型MobileViT，表明改進后的模型更加穩定，泛化能力更強。

表1模型的超參數設置及模型參數量

Table1Hyperparameter Settings of the model and the numberof model parameters

圖4分藥期模型性能曲線

Fig.4Performance curve of the tillering stage model

表2模型評估指標對比

Table2 Comparison ofmodel evaluationindicators

2.2用混淆矩陣來評估模型的性能

從拔節期混淆矩陣（圖5）可知：CA_MobileViT的K0、K1、K2的識別正確數量分別為1510、1477、1494，而MobileViT的KO、K1、K2的識別正確數量分別為1497、1397、1471。表明改進的模型CA_MobileViT在KO、K1、K2的區分上明顯優于原模型。同時，MobileViT模型在K1與K3的混淆錯誤數量高達160，表明MobileViT模型在K1與K3類別上容易出現誤分類。而改進的CA_MobileViT在K1與K3的混淆錯誤數量為106，較MobileViT減少了近 34% 的錯誤率。這也表明，K1與K3由施鉀肥含量不同所導致的葉片癥狀極其相似。試驗結果表明，沒有注意力機制的純卷積神經網絡ConvNeXt與EfficientNet-V2在水稻氮鉀養分脅迫圖像識別效果相當，基于MobileViT改進的CA_MobileViT則是在原基礎上提高了1.1百分點，且模型參數幾乎沒有變化。CA_MobileViT雖然比ConvNeXt與EfficientNet-V2模型的準確率低了3.2和3.1百分點，但其參數量僅約為它們的1/4，且訓練時間縮短了約1/3。

圖5拔節期的混淆矩陣

Fig.5Confusion matrix at jointing stage

2.3用梯度加權類激活映射（Grad-CAM）可視化特征提取

Grad-CAM是一種基于梯度定位的深層網絡可視化方法，它的基本原理是：計算卷積層中每個特征圖對圖片類別的權重，求每個特征圖的加權和，最后把加權和的特征圖映射到原始圖像中。圖6展示了水稻鉀素營養不同脅迫程度診斷識別的Grad-CAM可視化熱力圖，可以看出，模型加入CA模塊后，特征提取集中在水稻葉片焦黃的特征部位，減少其他非關鍵特征信息的干擾。表明改進的CA_MobileViT模型關注的特征與水稻受鉀素脅迫生長時葉尖、葉緣部位泛黃的外觀特征基本一致。

3討論

RGB圖像的獲取成本較低，且包含的信息特征豐富，因此在計算機視覺領域中得到了廣泛的應用[19]。本研究使用的水稻葉片圖像均為RGB格式，但田間水稻栽培試驗獲取的真實圖像數量有限，數據集太小則無法良好地訓練深度學習模型。采用數據增強技術擴充后的數據集訓練模型后，CA_MobileViT模型的準確率從 64% 提升到了95% ，模型的精度提升了31百分點。類似的，研究人員將他們的原始數據集通過數據增強從

A：CA_MobileVit;B：MobileVit

圖6Grad-CAM熱力圖Fig.6Grad-CAM thermal maps

21397幅圖像擴展到136722幅圖像，將模型精度提高了約10百分點[20]。為了提高模型的精度，本研究通過數據增強擴充數據集至原始的9倍。

Dhan[3提出了基于Transformer改進的模型FormerLeaf用于木薯葉病害檢測，并引入了Leap算法來優化模型，將模型大小降低了 28% ，同時模型訓練速度加快了 15% ，準確率提高了3百分點。但Transformer模型參數量極大，對設備算力要求很高，訓練時間也遠久于CNN模型。這對于嵌入式設備與移動端設備來說是難以實現的，為此，研發輕量級的深度學習模型是很有必要的。

單一的串聯普通卷積模塊對特征的提取不夠精準，而CoordATT模塊通過并行2個卷積模塊可以獲取方向與位置信息，幫助模型更加精準地定位和識別感興趣的特征信息。將CoordATT引入到了YOLOV5算法中來提高模型對特征的提取能力，同時提高了視覺機器人在油茶果實采收過程中的操作決策的能力[。ESPEJO-GARCIA等提出一種包含CoordATT模塊的模型HCA-MFFNet，研究表明，CoordATT模塊提高了模型在復雜背景下對玉米葉病的特征提取，使其準確率達到97.75% ，準確率遠高于VGG-16、ResNet-50、DenseNet-121等純卷積網絡模型。混合模型方面，Yang等[22提出了輕型變壓器和CNN的混合網絡對醫學圖像進行分割，利用CNN和MobileViT聯合提取圖像特征，減少了模型的運算量和復雜度，提高了分割性能。上述結果表明，CNN與Transformer二者的混合模型是可行的。

EfficientNet-V2和ConvNeXt作為2個基準模型，在ImageNet數據集上的性能表現均十分出色。為了深入探究不同模型架構對圖像分類性能的影響，本文將這2個基準模型與改進的模型CA_MobileViT進行了對比，以期發現更優秀的圖像分類模型架構。

當CoordATT、CNN和Transformer三者結合到一起時，互補了各自在特征提取中存在的不足。使模型CA_MobileViT兼具了全局與局部特征的提取，可以捕獲長短距離的特征依賴，CoordATT的加入使模型更加關注水稻葉片由鉀素含量改變引起的葉尖與葉緣的變化。水稻缺鉀表現在葉片上的癥狀與缺氮或缺磷相似，水稻缺鉀也首先表現在老葉上。水稻缺鉀導致葉片失綠呈現黃褐色到橘黃色，而與缺氮表現不同的是，缺鉀初期的老葉葉尖和葉緣焦黃并伴有黃褐色斑點或條紋、葉中為綠色，進而發展到整個葉片[23]。從Grad-CAM熱力可視化圖中則很好地驗證了這一說法。由此表明，CoordATT、CNN和Transformer三者混合的模型在水稻鉀素營養診斷是可行的，為應用進一步向移動端發展提供了可能，同時也為其他農作物的營養診斷提供了可行、普適的方法。

參考文獻

[1]趙鵬姝，楊順瑛，郝東利，等.水稻鉀素營養的基因型特征及 分子機制初探[J].土壤，2021，53（1）：37-46. ZHAOPS，YANG S Y，HAO D L，et al..Genotypic characteristicsand molecularmechanism ofpotassium nutritioninrice[J].Soils，2021，53（1）：37-46.

[2]朱向東，王宏庭.土壤鉀素管理研究進展[J].山西農業科學， 2013，41（11）：1274-1281. ZHU X D， WANG H T. Research progress of soil potassium management [J]. Shanxi Agric. Sci.，2013，41（11）：1274-1281.

[3]王紹華，曹衛星，王強盛，等.水稻葉色分布特點與氮素營養 診斷[J].中國農業科學，2002.35（12）：1461-1466. WANG SH，CAO WX，WANGQS，etal..Positional distribution of leaf color and diagnosis of nitrogen nutrition in rice plant [J]. Sci. Agric.Sin.，2002，35（12）：1461-1466.

[4]羅建軍.基于計算機視覺技術與高光譜技術的水稻氮素營 養診斷研究[D].南昌：江西農業大學，2021. LUO JJ.Nitrogen nutrition diagnosis of rice basedon Computer vision and Hyperspectral technology [D].Nanchang： Jiangxi Agricultural University，2021.

[5]FANG SD， WANG YF，ZHOU G X，et al. Multi-channel feature fusion networks with hard coordinate attention mechanism for maize disease identification under complex backgrounds [J/OL]. Comput.Electron.Agric.，2022，203：107486 [2024-11-12].https：// doi.org/10.1016/j.compag.2022.107486.

[6]ESPEJO-GARCIA B， MALOUNAS I， MYLONAS N，et al.. UsingeficientNet and transfer learning for image-based diagnosis of nutrient deficiencies [J/OL].Comput. Electron. Agric.，2022，196：106868 [2024-11-12].https：//doi.org/10.1016/ j.compag.2022.106868.

[7]BEVERS N， SIKORA EJ，HARDY N B.Soybean disease identification using original field images and transfer learning with convolutional neural networks [J/OL].Comput. Electron. Agric.，2022，203：107449 [2024-11-12]. https：//oi.org/10.1016/j. compag.2022.107449.

[8]AZGOMI H，HAREDASHTFR， SAFARI MOTLAGH MR. Diagnosis of some apple fruit diseases by using image processing and artificial neural network [J/OL].Food Contr.， 2023，145：109484 [2024-11-12]. https：//doi.org/10.1016/j.foodcont. 2022.109484.

[9］周瓊，楊紅云，楊珺，等.基于BP神經網絡和概率神經網絡的 水稻圖像氮素營養診斷[J].植物營養與肥料學報，2019， 25（1）：134-141. ZHOUQ， YANGHY，YANGJ， etal.. FeasibilitystudyofBP neural network and probabilistic neural network for nitrogen nutrition diagnosisof rice images[J].J.Plant Nutr. Fertil.， 2019，25（1）：134-141.

[10]楊紅云，郭紫微，郭高飛，等.基于Stacking集成卷積神經網絡 的水稻氮素營養診斷[J].植物營養與肥料學報，2023，29（3）： 573-581. YANGHY，GUO ZW，GUO GF，et al. Rice nitrogen nutrition diagnosis based on stacking integrated convolutional neural network[J].J.PlantNutr.Fertil.，2023，29（3）：573-581.

[11]YU S，XIE L，HUANG Q L. Inception convolutional vision transformers forplant disease identification [J/OL].Internet Things，2023，21：100650 [2024-11-12]. https：//doi.org/10.1016/ j.iot.2022.100650.

[12]THAI H T，LE K H，NGUYEN NL T.FormerLeaf： an efficient vision transformer for Cassava Leaf Disease detection [J/OL]. Comput.Electron.Agric.，2023，204：107518 [2024-11-12]. https：//doi.org/10.1016/j.compag.2022.107518.

[13]DHAR P.The carbon impact of artificial intelligence [J]. Nat. Mach.intell.，2020，2：423-425.

[14]LI S， SONG W F， QIN H，et al.. Deep variance network： an iterative，improved CNN framework for unbalanced training datasets [J/OL].Patern Recognit.，2018，81：294-308.

[15]朱勁松，李歡，王世芳.基于卷積神經網絡和遷移學習的鋼橋 病害識別[J].長安大學學報（自然科學版），2021，41（3）：52-63. ZHUJS，LIH，WANG SF.Defect recognition for steelbridge based on convolutional neural network and transferlearning [J]. J. Chang'an Univ.（Nat.Sci.），2021，41（3）：52-63.

[16]CHOLLET F. Xception： Deep learning with depthwise separable convolutions [EB/OL]. （2017-04-04） [2024-10-16]. https：//doi.org/10.48550/arXiv.1610.02357.

[17]LIU Z， MAO H Z，WU CY，et al.A convnet for the 2020s [C]/ Proceedings of 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.IEEE，2022：11966-11976.

[18]LIU XN，QIJ T，ZHANG WR，et al. Recognition method of maize crop rows at the seedling stage based on MS-ERFNet model [J/OL]. Comput.Electron.Agric.，2023，211：107964 [2024-11-12]. htps：//doi.org/10.1016/j.compag.2023.107964.

[19] SINGH A， GANAPATHYSUBRAMANIAN B， SINGH A K， et al..Machine learning for high-throughput stress phenotyping in plants [J]. Trends Plant Sci.，2016，21（2）：110-124.

[20]YE Y B.An improved efficientnetv2 model based on visual attention mechanism：Application to identification of cassava disease [J/OL]. Comput. Intell. Neurosci.，2022，1： 1569911 [2024-11-12]. https：//doi.org/10.1155/2022/1569911.

[21]CHEN S， ZOU X J， ZHOU X Z，et al. Study on fusion clustering and improved YOLOv5 algorithm based on multiple occlusion of Camellia oleifera fruit[J/OL]. Comput.Electron.Agric.，2023，206： 107706. https：//doi.org/10.1016/j.compag.2023.107706.

[22]YANG Y， ZHANG L，RENL，et al. MMViT-Seg：a lightweight transformer and CNN fusion network for COVID-19 segmentation [J/OL].Comput.Meth.Programs Biomed.，2023，230：107348 [2024-11-12]. https：/doi.org/10.1016/j.cmpb.2023.107348.

[23］徐明崗，李冬初，李菊梅，等.化肥有機肥配施對水稻養分吸 收和產量的影響[J].中國農業科學，2008.（10）：3133-3139. XU MG，LID C，LIJM，et al..Effects of organic manure application combined with chemical fertilizers on nutrients absorptionand yieldofriceinHunanofChina[J].Scientia Agric.Sin.，2008，（10）：3133-3139.