编辑推荐：
为解决传统水稻养分缺乏诊断方法效率低、准确性差和缺乏及时性的问题，研究人员开展了基于多模态融合与知识蒸馏的水稻早期氮、磷、钾缺乏诊断方法研究。结果表明 SRDL 模型高效、轻量、准确率高，为作物养分缺乏智能诊断提供新途径。
在农业生产中，水稻作为我国主要的粮食作物，养育着约 60 - 70% 的人口。然而，传统水稻种植过程存在诸多问题，比如施肥不均衡，过量施肥不仅浪费资源，还破坏土壤结构、污染环境；施肥不足又会影响水稻产量和品质 。因此，实现水稻早期科学合理施肥至关重要。但现有的水稻养分缺乏诊断方法，像人工经验诊断、传统化学检测以及基于机器学习的叶片特征识别等，都存在效率低、准确性差、不及时的缺点。为了解决这些问题，江西农业大学的研究人员开展了一项基于多模态融合与知识蒸馏的研究，旨在实现水稻早期氮、磷、钾缺乏的快速、无损、轻量且准确的诊断，该研究成果发表在《Scientific Reports》上。
研究人员采用了多种关键技术方法。首先是迁移学习（Transfer learning）和微调训练（fine - tuning training），他们选取 10 种在 ImageNet 数据集上预训练的模型作为基础模型，通过微调训练来优化模型性能。接着进行知识蒸馏（Knowledge distillation），将集成模型的知识转移到自定义神经网络模型，得到轻量级且准确率高的模型。最后使用强大的分类器 LightGBM，将多模态特征向量输入其中进行训练 。
下面来看具体的研究结果。
- 模型训练与优化：通过迁移学习和微调训练，评估多个基础模型和集成模型的分类性能，发现 DenseNet169 是最优基础模型，ResNet101 + DenseNet169 是最优集成模型。但集成模型存在内存大、冗余等问题，不便于部署。研究人员通过知识蒸馏，从集成模型向自定义神经网络模型传递知识，设计了多种损失函数，包括响应损失（Response loss，LResD）、特征损失（Feature loss，LFeaD）等，逐步优化自定义模型结构，得到了如 S - RiceNet - D 等性能较好的轻量级模型。
- 模型性能评估：研究使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数（F1 - Score）等指标评估模型综合性能。结果显示，SRDL 模型的准确率达到 0.9501，宏精确率为 0.9501，宏召回率为 0.9499，宏 F1 分数为 0.9500，分类性能达到最优基础模型 DenseNet169 的水平，仅比集成模型低 1%，而内存仅需 23.6MB，处于 MobileNet 系列平均水平，实现了分类性能和轻量性的协同优化。
- 混淆矩阵分析：研究绘制混淆矩阵分析 SRDL 模型在诊断水稻早期缺乏症的性能。发现该模型对氮缺乏（N）的样本分类准确率最高，120 个样本中有 117 个被正确识别；磷缺乏（P）和钾缺乏（K）的样本容易混淆，表明水稻早期磷缺乏和钾缺乏的特征相似度较高。
综合研究结论和讨论部分，该研究提出的 SRDL 模型在水稻早期缺乏症诊断任务中优势显著，可直接应用于移动或嵌入式等农业设备，及时准确识别水稻养分缺乏类别，有助于精准高效施肥，促进水稻正常生长发育，增强抗倒伏能力，减少病虫害爆发和环境污染等问题，还能降低农民生产成本。同时，该研究为模型分类性能和轻量设计协同优化提供了可行方案，推动了深度学习技术在实际生产生活中的应用和发展。不过，研究也存在一些有待改进的地方，如数据集样本数量和类型不足、研究阶段和范围有限等，未来可进一步拓展研究。
