基于自適應特征融合的水稻氮素營養診斷

摘要：為了快速準確地對水稻進行氮素營養診斷，提出一種基于自適應特征融合的水稻氮素營養診斷方法。該方法通過對雜交稻兩優培九進行田間試驗，設置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行數據預處理，構建基于自適應特征融合的水稻氮素營養診斷模型ResNet34-AFF-SE。使用構建的ResNet34-AFF-SE模型對水稻葉片進行氮素營養診斷，結果表明，在水稻生長的幼穗分化期、齊穗期，ResNet34-AFF-SE的識別準確率為97.5%、97.2%，模型大小為87.9 MB。ResNet34-AFF-SE模型在準確率和訓練時間上優于AlexNet、VGG16、MobilNet v3-small等網絡模型。基于自適應特征融合的水稻氮素營養診斷方法所建立的ResNet34-AFF-SE模型具有較高的識別準確率，可以精準地識別水稻葉片的氮素營養狀況，為水稻作物的氮素營養診斷提供了新的思路。

關鍵詞：水稻；氮素營養診斷；自適應特征融合；ResNet34-AFF-SE；識別準確率

中圖分類號：S126；S511.01 ""文獻標志碼：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，研究方向為農業信息化與計算機視覺。E-mail：zlp_1216@163.com。

通信作者：楊紅云，碩士，教授，碩士生導師，主要從事計算機視覺技術研究工作。E-mail：nc_yhy@163.com。

在水稻的田間栽培管理中，氮肥對產量的貢獻率約占50%［1］。過量施用氮肥不僅會影響水稻的生長發育，還會導致氮肥的浪費，并對環境造成污染［2］。因此，精準施用氮肥對于水稻的正常生長發育、植株群體結構優化、產量提高具有重要意義［3］。實現氮素營養的快速準確診斷，可以為水稻的精準施肥提供依據，實現優化施肥，減少氮肥的浪費，提高氮素利用率，從而為水稻的高產提供支持［4］。

目前，采用計算機視覺技術與其他圖像處理技術相結合的方法可以無損地進行氮素營養診斷，已成為應用于作物營養診斷的重要方法之一［5-6］。例如，李嵐濤等使用數碼相機對水稻進行氮素營養診斷，發現冠層色彩參數紅光標準化值（NRI）與水稻氮素營養指標、產量之間具有較好的相關性［7］；羅建軍等利用圖像處理技術獲取水稻圖像中的顏色和幾何形態特征，并應用遺傳算法優化的BP神經網絡進行水稻氮素營養診斷，測試集上的平均準確率達到99.000%［8］。雖然使用計算機視覺技術能夠較為準確和及時地診斷出水稻的氮素營養缺乏狀況，并據此提出氮肥的增施方案，但這種方法需要進行特征的設計、提取和優化，操作繁雜，對實現自動提取特征和特征融合的氮素營養診斷的相關研究較少。因此，未來的研究需要探索更加智能化和自主學習的氮素營養診斷方法，以提高氮素營養診斷的準確性和實用性，從而為水稻的高產提供更為有效的技術支持。

深度學習技術在識別農作物病蟲害、雜草、營養診斷等方面得到了廣泛應用［9］。以水稻氮素營養診斷為例，Wang等使用強化學習增強的 Densenet-121深度卷積神經網絡（DCNN）模型對缺乏氮、磷和鉀的水稻葉片進行訓練，在測試集上準確率達到了97%［10］；Bishwas等采用K均值聚類算法和卷積神經網絡對缺氮、缺磷、缺鉀的水稻葉片進行識別和分類，測試集的準確率能達到90%［11］；Xu等通過微調4種最先進的DCNN對水稻全營養和10類營養缺乏數據集進行訓練，結果表明所有的DCNN測試準確率均在90%以上［12］；張林朋等通過微調遷移學習的VGG16網絡模型對4類氮素營養葉片進行訓練，在測試集上取得了97%以上的準確率［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鍵時期［14］。然而，上述前人研究的結果只是針對多個種類營養元素的水稻葉片進行診斷，未考慮單一營養元素施用量，以及不同生長時期對水稻生長的影響。因此，未來的研究需要進一步探索單一營養元素的診斷方法，同時結合不同生長時期對水稻生長的影響，以實現更加準確和實用的水稻氮素營養診斷技術。

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據，提出了一種基于自適應特征融合的水稻氮素營養診斷方法，并構建了相應的水稻氮素營養診斷模型。該方法可以通過深度學習技術自動提取水稻葉片圖像的特征，并將不同特征進行自適應融合，進而實現對水稻氮素營養狀態的準確診斷，以期為水稻植株氮素營養診斷建模提供理論依據和技術參考。

1 材料與方法

1.1 試驗區概況及試驗設計

本研究于2017年在江西省南昌市成新農場（116°15′E，28°92′N）進行水稻試驗。通過測定稻田間土壤的基本理化性質，得出pH值為5.30，有機質含量為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。水稻種植于小區中，每個小區長5 m，寬6 m，總面積為30 m2，筑土埂并用塑料薄膜隔開小區，重復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，其他操作按常規的高產栽培要求進行［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，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組水稻數據。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，同時放置對應葉片的葉鞘和一個已知大小的參照物，以便后續試驗處理。

1.3 葉片圖像預處理

本研究對獲取的水稻葉片圖像進行了預處理，以便于進行水稻氮素營養的診斷。在掃描圖像的過程中，一些水稻葉片可能會出現折疊、蜷縮等現象，因此需要將這些不符合要求的葉片圖像去除。由表1擴充前數據可知，本試驗實際獲取到的葉片圖像數據量為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據較少，構建的水稻葉片氮素營養診斷模型可能會出現模型泛化性不足等問題。為了解決這個問題，需要使用數據擴充方法來增加數據量，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據增強方式，如旋轉（rotation）任意角度、翻轉（flip）變換任意角度、平移（shift）變換、尺度（scale）變換、增加噪聲（noise）以及調節明亮度（brightness）等方式，進行數據擴充。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據圖像擴充為原來的10倍，構建水稻氮素營養數據集，詳情見表1擴充后數據。由于預處理后圖像的尺寸不一，本研究統一將水稻葉片圖像調整為224像素×224像素，且圖像格式均為jpg格式。將構建的水稻葉片圖像數據集，按照訓練集 ∶測試集=8 ∶2的比例，隨機劃分為訓練集和測試集，即80%的圖像數據用于訓練，20%的圖像數據用于模型的測試。

1.4 試驗環境及參數的設置

本試驗模型的訓練與測試均是在Windows10 64 位操作系統下實現的。試驗的硬件環境為：12核 Intel Xeon Platinum 8255C CPU@2.50 GHz，內存16 GB；GPU使用的是NVIDIA RTX 3060，顯存為12 GB。軟件環境是 CUDA 11.3、PyTorch1.11.0和Python 3.8.0。

設置模型的超參數，設置批次（batch size）為64，將訓練輪數（epoch）設置為100。使用Adam優化算法［18］，學習率設置為1×10-4。

1.5 相關網絡模型

AlexNet是一種深度卷積神經網絡，由Krizhevsky等在2012年提出，被廣泛認為是深度學習的重要突破之一［19］。AlexNet包含8個卷積層和3個全連接層，其創新之處在于使用了一些目前被廣泛使用的深度學習技術，如ReLU激活函數、Dropout正則化、數據增強等。此外，AlexNet還采用了GPU加速，使得訓練時間大大縮短。

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

ResNet34是由微軟研究院在2015年提出的深度卷積神經網絡，采用殘差連接來解決深度神經網絡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還應用了批量歸一化和ReLU激活函數等技術，進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網絡，其設計目的是在保持高準確性的同時，大幅度減少模型參數和計算量［22］。MobileNet使用深度可分離卷積代替傳統的卷積操作，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構和全局平均池化等技術來進一步減少模型的參數和計算量。

EfficientNet是Google于2019年提出的卷積神經網絡架構，其設計思想是使用復合系數來擴展網絡的深度、寬度和圖像分辨率，以實現高效準確的模型［23］。此外，EfficientNet采用了深度可分離卷積和通道注意力機制等技術，將標準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數量，并學習每個通道的重要性，進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，適用于移動設備和邊緣計算等資源受限的場景。

1.6 遷移學習

本研究采用了遷移學習方法策略［24］，將在ImageNet大型數據集上遷移學習的ResNet34殘差網絡［21］的權重參數應用于本研究所構建的網絡模型，并作為特征提取模塊，用于水稻氮素營養診斷數據集上的水稻葉片特征提取。這種方法有效降低了訓練神經網絡模型所需的時間成本、數據量和算力需求。在本試驗結合遷移學習和自適應特征融合策略，構建了水稻氮素營養診斷模型，與從零開始訓練相比，遷移學習有助于加速網絡訓練過程，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制［25］，如圖2所示。關鍵操作為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。Excitation操作通過Sigmoid激活函數計算每個特征通道的權值。最后通過Fscale將輸出的通道權重與原輸入特征圖相乘運算，使得神經網絡更關注于某些特征通道，抑制無關特征通道。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，以增強特征的提取能力。

1.8 自適應特征融合

選擇現階段比較流行的ResNet34網絡［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，使用自適應特征融合（adaptive feature fusion，AFF）方法，進行自適應特征融合，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）為歸一化權值，wj為初始化指數權值，wi為特征權值，F1～F4為經注意力機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數據集的特征，自主地以特定的權值來融合該層的特征。圖3為本試驗所構建的自適應特征融合網絡簡圖。

2 結果與分析

2.1 自適應特征融合消融試驗

使用水稻葉片圖像數據集，構建模型方案如下：

（1）未使用遷移學習的ResNet34網絡模型，記為ResNet34-N。

（2）使用遷移學習的ResNet34網絡模型，記為ResNet34-TF。

（3）在方案（2）所構建的網絡模型中使用自適應特征融合的ResNet34網絡模型，記為 ResNet34-AFF。

（4）在方案（3）中網絡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，試驗結果如表2所示。

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

2.2 ResNet34-AFF-SE與其他網絡模型效果的對比

為了更好地驗證本研究所構建的ResNet34-AFF-SE網絡模型的有效性，與AlexNet［19］、VGG16［20］、MobileNet v3-small［22］和EfficientNet_b0［23］網絡進行對比，其結果見表3。

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

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網絡模型，將2組不同生長期的圖像數據分別在該模型上訓練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、氮素營養為N3時，該模型的識別精確率最高；4類氮素營養的識別精確率均高于96%。而在齊穗期，氮素營養為N1和N4時的識別精確率高于氮素營養為N2和N3的精確率；4類氮素營養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診斷，同樣適用于水稻齊穗期的氮素營養診斷。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行區分所致；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范或數據預處理時未對圖像進行噪聲處理等因素所致。由圖5還可以看出，本研究所構建的ResNet34-AFF-SE網絡模型對水稻作物

的氮素營養診斷具有較好的識別準確率。在幼穗分化期，該模型在測試集上對氮素營養的識別準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的識別準確率從高到低依次為N1、N4、N3、N2。因此，ResNet34-AFF-SE網絡模型可以為水稻作物的氮素營養診斷提供新的參考。

3 討論與結論

近年來，水稻產量大幅提升，但品質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。一些現有的水稻營養診斷研究只針對某個具體日期或時間段進行，缺乏對不同生長期的全面研究。這種方法可能不能準確地評估水稻在不同生長階段的營養狀況，限制了對水稻營養狀態的有效管理。因此，水稻營養診斷研究應該考慮到不同生長期的差異，并綜合分析各個生長期的數據，以更全面、準確地了解水稻的營養狀況，為水稻高產提供更有效的理論支持。本研究使用基于自適應特征融合的方法對水稻氮素營養進行診斷，在齊穗期時得出N1、N4的氮素營養識別精確率高于N2、N3。這一研究結果與周瓊等的研究結論［27］相符，表明該研究方法的可行性，從而對實現水稻的高產具有重要意義，為實現水稻高產提供了重要的理論基礎，對于推進農業生產的可持續發展也具有重要意義。然而，在幼穗分化期和齊穗期，氮素營養為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、田間管理不規范和數據預處理時未對圖像進行消噪處理等因素的影響。此外，幼穗分化期的識別準確率略高于齊穗期，可能是由于超級雜交稻生育后期易出現早衰現象，葉片的含氮量快速衰減，難以通過葉片直接進行區分［28］。這項研究的結果為水稻的精確施肥提供了理論依據，有助于實現水稻的高產。

在水稻生長的幼穗分化期和齊穗期，使用自適應特征融合可以提高模型在訓練集上的識別準確率約1.1百分點，而在此基礎上使用SE注意力機制可以進一步提高約0.8百分點的準確率［29］。相比于AlexNet、VGG16和EfficientNet_b0模型，本研究所構建的ResNet34-AFF-SE模型在準確率方面確實表現優秀，并且在訓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網絡在使用深度可分離卷積提取特征方面表現出良好的效果［30］，且模型大小適中，但在準確率上仍然弱于ResNet34-AFF-SE網絡。因此，該模型可以為后續的開發應用提供參考。總體而言，該方案構建的ResNet34-AFF-SE模型在水稻氮素營養診斷方面具有較好的識別準確率，為相關領域的應用提供了新的思路和參考。

本研究所構建的水稻氮素營養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，后續的研究中需要增加多個不同施氮梯度，以進行更加精準的診斷研究。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、不同生長關鍵期、多個不同梯度的施肥方案以及使用數碼相機、手機拍照等非掃描方式獲取圖像等因素的影響。水稻氮素營養診斷的核心目的是建立適合的追施肥體系，并據此進行推薦施肥。因此，如何更好地進行氮素營養診斷，使其更加科學合理地指導肥料使用和農業生產［31］，還需要進一步的研究與探索。通過進一步的研究和實踐，可以不斷優化水稻氮素營養診斷模型，提高其準確性和實用性，從而為水稻高產提供更為有效的技術支持，促進農業的可持續發展。未來，基于深度學習技術的水稻氮素營養診斷方法將會得到更深入的研究和應用，為水稻高產生產提供更加有效的技術支持。同時，還需要考慮如何將該方法應用于實際生產中，以便更好地滿足農業生產的需求。

本研究基于自適應特征融合的水稻氮素營養診斷方法，構建ResNet34-AFF-SE網絡模型，用于水稻氮素營養診斷，得到以下結論：（1）ResNet34-AFF-SE網絡模型在水稻氮素營養診斷方面表現出較高的準確率，彌補了傳統機器學習人工提取特征的不足，為水稻等作物的營養診斷提供了理論基礎。（2）使用遷移學習可以加快模型的收斂速度，提高模型的準確率，并節約計算資源。遷移學習的模型已經在大規模數據集上進行了訓練，可以學習到豐富的特征信息，具備較好的遷移能力。微調遷移學習模型，可以避免大量時間和計算資源從零開始訓練，降低過擬合的風險，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診斷。

參考文獻：

［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］. 中國農業科學，2021，54（7）：1455-1468.

［2］劉立軍，王志琴，桑大志，等. 氮肥運籌對水稻產量及稻米品質的影響［J］. 揚州大學學報（農業與生命科學版），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量和稻米品質的影響［J］. 中國農業科學，2007，40（1）：123-132.

［4］馬立珩，張 瑩，隋 標，等. 江蘇省水稻過量施肥的影響因素分析［J］. 揚州大學學報（農業與生命科學版），2011，32（2）：48-52，80.

［5］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.

［6］黃筑斌，吳 雋. 計算機視覺在我國水稻生產中的應用研究概述［J］. 農技服務，2021，38（12）：44-48.

［7］李嵐濤，張 萌，任 濤，等. 應用數字圖像技術進行水稻氮素營養診斷［J］. 植物營養與肥料學報，2015，21（1）：259-268.

［8］羅建軍，楊紅云，路 艷，等. 基于遺傳算法優化的BP神經網絡進行水稻氮素營養診斷［J］. 中國農業科技導報，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. 基于改進的VGG16網絡和遷移學習的水稻氮素營養診斷［J］. 中國農業大學學報，2023，28（6）：219-229.

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

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

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

［17］劉立軍，王康君，卞金龍，等. 水稻產量對氮肥響應的品種間差異及其與根系形態生理的關系［J］. 作物學報，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］. 中國農業科學，2021，54（7）：1439-1454.

［27］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.

［28］郭士偉，趙學強，夏士健，等. 超級雜交稻生育后期葉片和根系的衰老營養生理研究［J］. 華北農學報，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制的高光譜圖像分類［J］. 計算機輔助設計與圖形學學報，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用［J］. 農業工程學報，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］. 中國農業氣象，2021，42（9）：715-728.