用于精准农业可持续作物氮素胁迫识别的EfficientNet-B0框架-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

技术与服务

全部分类

用于精准农业可持续作物氮素胁迫识别的EfficientNet-B0框架

发布时间：

2025-11-22

来源：

作者：

氮素缺乏是植物的关键应激因素，在植物光合作用、蛋白质、氨基酸和核酸合成等过程中发挥着至关重要的作用。植物早期营养失衡（例如氮含量不足）会导致其形态发生明显变化，例如叶片数量减少、变色和生长发育不良。成像技术的进步促进了基于计算机视觉的植物表型组学发展，使植物胁迫的快速、非侵入性和自动化检测成为可能。

本研究以氮含量不足的叶片为研究对象，基于自动深度学习（DL）的表型分析方法进行叶片检测和分类。作者采用EfficientNet-B0（一种卷积神经网络（CNN）架构）来识别和分类与氮不足相关的应激症状。使用准确性、精确性、召回率和F1评分等关键指标在两个数据集上评估了模型的性能。

结果显示，EfficientNet-B模型在Dataset-1上准确率为97.9%，超过了其他常用的深度学习模型VGG16和ResNet-50（基线模型的准确率为93.2%）。除了高准确性之外，EfficientNet-B0还具有轻量级和可扩展性的优点，这使得它非常适用于不同环境中的作物监测。

总体而言，EfficientNet-B架构的可拓展性和高计算精度的组合凸显了其与精准农业系统和环境监测系统的高匹配度，本研究成果为精准农业应用提供了一个有前途的工具。

图1. 用于氮胁迫识别的EfficientNet-B0框架

图2. 数据集1中不同模型的训练准确性

图3. 数据集2中不同模型的训练准确性

图4. 数据集1中模型的验证准确率vs 迭代次数

图5. 数据集2中模型的验证准确率vs 迭代次数

图6. 混淆矩阵

图7. 热图的特征分布

表1. 使用深度学习检测作物病害的关键模型

表2.用于氮胁迫水平分类的数据集

表3. 准确率、精确率、F1分数、召回率对现有模型的支持度

来源

Babu, S., Thawait, K., Gopi, A.P. et al. An EfficientNet-B0 Framework for Nitrogen Stress Identification in Sustainable Precision Farming Plants. Cogn Comput 17, 148 (2025). https://doi.org/10.1007/s12559-025-10504-3

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示