文献类型： 中文期刊

作者： 蒋东山 ¹ ; 刘金洋 ² ; 张浩淼 ¹ ; 李士丛 ² ; 罗仔秋 ¹ ; 余骥远 ¹ ; 李洁 ¹ ; 陈新 ² ; 袁星星 ² ; 高尚兵 ¹ ;

作者机构： 1.淮阴工学院计算机与软件工程学院

2.江苏省农业科学院经济作物研究所

关键词： 绿豆;干旱胁迫;卷积神经网络;转换器;图像识别;叶绿素荧光图像

期刊名称： 江苏农业学报

ISSN： 1000-4440

年卷期： 2025 年 41 卷 001 期

页码： 87-100

收录情况： 北大核心 ; CSCD

摘要： 为了解决传统绿豆干旱胁迫识别方法存在识别率低、时效性差的问题，本研究建立了基于卷积神经网络(CNN)和转换器(Transformer)的绿豆干旱胁迫识别模型Mungbean-droughtNet。该模型采用双分支结构，利用全局特征提取模块(GFEM)分支和局部特征提取模块(LFEM)分支分别从输入图像提取局部特征和全局特征。最后利用多层感知器(MLP)模块将局部特征和全局特征进行融合，实现分类。在实际数据分析中，共采集14 536张干旱胁迫下的绿豆叶绿素荧光图像，分为HR、R、MR、S、HS和对照6类。利用Mungbean-droughtNet模型对叶绿素荧光图像数据集进行分析，结果表明，Mungbean-droughtNet模型对测试集中叶绿素荧光图像的平均识别准确率为95.57%,平均精度为98.18%,平均召回率为98.40%,平均F1分数为98.28%。和目前先进模型EfficientNetV2和Swin Transformer相比，Mungbean-droughtNet模型准确率分别提高了3.56个百分点和2.62个百分点，表现出更强的鲁棒性和更好的识别效果。本研究结果为绿豆干旱胁迫研究和耐旱基因挖掘提供了基础。