本文提出了一种基于改进的DenseNet-121深度学习模型的冬小麦关键生长期干旱胁迫监测方法。干旱胁迫严重影响小麦的正常生长发育，导致产量和品质下降。针对传统干旱监测方法的滞后性和局限性，提出了基于深度学习的冬小麦关键生育期干旱胁迫监测模型。通过获取冬小麦在拔节、抽穗、开花三个关键生育期的干旱胁迫图像,建立了与土壤水分监测数据关联的数据集。研究比较了AlexNet、ResNet101和DenseNet-121三种网络模型在干旱胁迫识别上的性能，最终选择DenseNet-121作为基础模型，并通过迁移学习、渐变学习率和引入注意力机制等方法进行了模型优化。实验结果表明，优化后的模型在测试集上的平均识别准确率达到了94.67%，表明该方法在冬小麦关键生长期干旱胁迫识别中具有良好的应用前景。该研究为农业生产中的干旱监测和资源分配提供了科学依据。

表1 小麦不同生育期干旱程度标准

注：FC(田间持水量)为田间持水量

表2 不同干旱水平下小麦生育期图像数量表

表3 小麦干旱图像采集时间

图1 一些冬小麦的样本

图2 AlexNet网络结构图

图3 ESNET-50网络结构图

图4 DenseNet网络结构图

表4 小麦干旱图像采集时间

表5 基于识别模型判断冬小麦分类是否正确的混淆矩阵

表6 基于测试集的三种网络模型的基本实验结果

图5 测试集上不同深度学习模型的损失值、准确度和F1值

表7 DenseNet-121网络模型培训结果

图6 有无迁移学习的实验结果控制图

图7 有无渐近学习率的实验结果控制图

图8 引入和不引入注意机制的实验结果控制图

图9 不同实验结果的混淆矩阵

图10 不同实验结果的ROC曲线