利用MobileNetV3对热成像图像中的植物胁迫进行分类（ICSEM 2025）

《Macromolecular Symposia》：Plant Stress Classification on Thermal Images Using MobileNetV3 (ICSEM 2025)

早期检测植物应激对减少作物损失和可持续生产至关重要。传统方法无法捕捉隐性应激指标，而热成像技术能通过温度变化提前发现生理异常。本研究采用轻量级MobileNetV3模型对热成像数据进行训练，实验显示其平均F1分数达0.67，显著优于DenseNet和VGG16，在保持高精度的同时降低计算需求，适用于实时植物健康监测。

　　

摘要

早期检测植物胁迫对于减少作物损失和促进可持续食品生产至关重要。传统方法往往在可见症状出现之前无法识别胁迫指标。常规图像主要捕捉到的是胁迫的可见迹象，而这些迹象只有在作物受到严重损害后才会显现，这限制了及时干预的可能性，并由于无法捕捉到隐藏的胁迫信号而降低了早期检测的准确性。相比之下，热成像技术能够揭示温度变化，从而在胁迫尚未被肉眼察觉的早期阶段就对其进行判断，通过识别微妙的生理变化来提高检测的准确性。所提出的系统包括收集和预处理处于不同胁迫条件下的植物热图像，从而通过这些温度变化来检测潜在的胁迫。MobileNetV3模型以其轻量级架构、快速性和高效性而闻名，该模型被训练用于对这些热图像进行分类，将其分为胁迫和非胁迫两类。实验结果比较了三种深度学习模型（MobileNetV3、DenseNet和VGG16）在利用热图像进行植物胁迫分类方面的表现。MobileNetV3取得了最高的准确率，平均F1分数为0.67，显著优于DenseNet和VGG16。MobileNetV3在准确性和计算效率之间取得了最佳平衡，在保持较低处理需求的同时优于更复杂的模型，这使得它特别适合实时、设备端的应用。所提出的系统利用这些优势，为农民和农学家提供了一种自动化、非侵入式的实时植物健康监测解决方案。

利益冲突

作者声明没有利益冲突。