基于Swin-T与ResNet34多尺度特征融合的水稻磷素营养诊断OA

为实现水稻磷素营养状况的快速、精准诊断,提升科学施肥水平与水稻高效栽培管理能力,提出一种基于Swin Transformer(Swin-T)与ResNet34多尺度特征融合的水稻磷素营养诊断方法。该方法首先采用ResNet34网络提取水稻叶片图像的边缘、纹理与颜色等局部细节特征,利用特征金字塔网络(FPN)实现多尺度特征融合,并引入通道注意力机制(SE模块)强化对关键通道信息的表达能力。最终将融合增强后的特征图输入至Swin-T模块,通过滑动窗口自注意力机制建模全局依赖信息,提升模型对磷素缺失程度的综合判别能力。以晚稻黄华占为试验材料,采集不同磷素梯度条件下的叶片图像构建数据集进行试验验证。结果表明,改进后的Swin-T网络模型的准确率、精确率、召回率以及F1分数分别为95.74%、95.75%、95.74%、95.74%,明显优于AlexNet、MobileNet、ResNet34、ConvNeXt、ShuffleNet、Vision Transformer等主流模型,且模型体积仅为28.94 MB,训练过程更平稳、收敛速度更快。综上,改进后的Swin-T网络模型在水稻磷素营养诊断中表现出较高的准确性与鲁棒性,可为作物营养状态识别与智能施肥提供技术支持,具有广阔的应用前景。