诊断和检测植物水分胁迫对精确栽培的稳健和快速应用至关重要。此外，对植物水分状况的评估是抗水胁迫植物育种的一个有价值的工具。植物水分状态的自动检测是农业中的一个重大挑战，因为它是生长、生产力、质量和可持续性的关键调节器。因此，准确监测植物的水分状况就显得尤为重要。

监测植物水分状况的传统方法，如实验室相对含水量、叶片水势等方法，但具有破坏性、耗时和劳动密集型的缺点。随着技术的更新，基于特定传感器数据采集和智能处理的物联网（IoT）解决方案可以通过提供准确、一致和快速的分析来帮助用户进行精确灌溉。

本研究旨在提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）的混合深度学习方法，用于自动识别小麦的水分状态。该方案使用了基于物联网的数据传输设备，如数码相机、土壤湿度、风速、空气温度和相对湿度等监测传感器，相关的环境因素在植物图像采集期间被记录下来。在不同缺水水平下，共采集了876张小麦植株图像。应用数据增强方法将训练数据集的大小扩展到5256张图像。使用所提方法对CMYK(青色-品红-黄-黑)、HSV(色调-饱和度)、RGB(红-绿-蓝)和灰度等不同类型的图像颜色模式进行了评估。实验结果表明，基于RGB图像、气候条件和土壤湿度特征的组合CNNRGB-LSTMEF-CNNEF深度网络的性能优于单个RGB图像的特征。它的验证准确度、分类准确度、召回率、F值和交并比的输出为100%，损失为0.0012。本研究所设计的框架可以为农业生产者在植物生长临界水平之前检测植物的水分胁迫，并及时做出管理决策提供服务。 

图1 实验设计布局。

图2 系统的组成部分和传感器数据的监测。

图3 CNN模型的总体结构设计。

图4 基于环境和图像数据的最佳组合CNNRGB-LSTMEF-CNNEF深度网络架构。

图5 水胁迫检测模型的混淆矩阵:(a) CNNRGB-CNNEF (b) LSTMRGB-LSTMEF和(c) CNNRGB-LSTMEF-CNNEF。

来 源