基于绿蓝通道特征增强的水稻秧苗光照和水分胁迫诊断

《Computers and Electronics in Agriculture》:Rice seedling diagnosis of light and water stress based on green – blue channel feature enhancement

【字体: 大 中 小 】 时间:2026年08月30日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   •开发了一种针对蓝绿通道增强 CBAM 的轻量级水稻胁迫模型。•构建了一个结合光质、光强和水胁迫因子的数据集。•利用多因素实验探索了光胁迫和水胁迫的影响。引言水稻是全球最重要的主粮作物之一,广泛种植于亚洲、非洲和美洲,是数十亿人的主要食物来源。水稻的健康和生长与全球粮食安全直

  
  • •
    开发了一种针对蓝绿通道增强 CBAM 的轻量级水稻胁迫模型。
  • •
    构建了一个结合光质、光强和水胁迫因子的数据集。
  • •
    利用多因素实验探索了光胁迫和水胁迫的影响。

引言

水稻是全球最重要的主粮作物之一,广泛种植于亚洲、非洲和美洲,是数十亿人的主要食物来源。水稻的健康和生长与全球粮食安全直接相关,特别是在幼苗期,这是其生命周期中的一个关键阶段。该阶段对环境条件的波动高度敏感(Krishnan and Rao, 2005, Liu et al., 2014)。研究表明,水稻幼苗期期间的环境胁迫因素,如干旱、盐碱以及其他非生物胁迫,会显著损害水稻的生长、发育和产量形成。统计数据显示,全球约 40% 的水稻产量损失归因于非生物胁迫,其中幼苗期对此类损失尤为脆弱(Luo, 2010)。环境因素的变化,包括光谱组成(例如红蓝光照比)、光强(例如光照辐照度)和水分状况(例如土壤水分),会影响水稻的关键生理过程,如光合作用、根系发育和抗逆性,最终影响生长和产量(Xiao et al., 2022)。这些环境因素的相互作用往往导致复杂的交互作用,导致水稻幼苗在不同胁迫组合下出现多样的表型反应。因此,阐明这些环境因素如何影响水稻幼苗的机制,并基于这些变化开发精确的诊断和分类方法,具有重要的理论和实际意义(Huang et al., 2013)。这些进展对于提高水稻生长效率、增强抗逆性以及优化水稻生产管理至关重要。
传统的水稻生长监测通常依赖人工观察和实验室分析,这不仅耗时,而且容易出错。随着计算机视觉和人工智能技术的快速发展,基于深度学习的智能分类和诊断方法逐渐成为现代农业中的重要工具(Modi et al., 2023)。最先进的卷积神经网络(CNN)已被证明是数据表示和分类的有效模型(Zhu et al., 2018)。CNN 无需复杂预处理即可直接处理图像像素,使其非常适合作物表型分析任务。在一些研究中,CNN 已被广泛应用于图像分割和分类(Wang et al., 2025)。研究表明,在光合作用期间,叶绿素在蓝光和绿光波长处吸收最强,表明这些波段中的图像信息对于捕获植物表型性状尤为关键(Hoque et al., 2020, Ren et al., 2023)。因此,在使用计算机视觉和深度学习方法分析水稻幼苗表型时,特别关注不同的光通道可以更准确地反映幼苗在不同光和水胁迫条件下的生长状况,为后续设计表型诊断模型提供科学依据。在水稻品种识别中,Din 等人(2024)设计了"RiceNet"深度卷积神经网络架构来分类五种不同的水稻品种,测试准确率达到了 94%。Rauf 等人(2022)使用深度卷积神经网络和 Sentinel-2 卫星图像进行水稻品种识别,在分类两种不同品种时的准确率为 94.3%,展示了深度学习在细粒度水稻品种分类中的潜力。
在水稻生长阶段识别研究中,Yang 等人(2020)使用了基于无人机图像的深度学习方法来识别六种水稻生长阶段,准确率为 83.9%。Tan 等人(2023)基于改进的级联 R-CNN 架构提出了 RiceRes2Net 模型。通过融入注意力机制和 Ghost 模块,他们实现了不同生长阶段的准确穗检测,各阶段性能分别为 96.8%、93.7% 和 82.4%。Cai 等人(2024)改进了 YOLOv8 模型以识别五种不同的水稻生长阶段,通过整合 MobileNetV3 和坐标注意力机制,实现了 84% 的 mAP 和 84.08% 的召回率。Banerjee 等人(2018)使用热成像技术估计了不同水胁迫条件下水稻的叶面积指数,证实了热成像在水稻表型特征提取中的应用价值。最近,Anandakrishnan 等人(2024)提出了 Li-YOLOv9,一种用于水稻幼苗监测的轻量级混合 YOLO 模型,凸显了近期向部署高效架构的努力。与此同时,Li 等人(2025)开发了结合基于 Mamba 的状态空间建模的 YOLO 变体用于农业监测,包括用于基于 UAV 的多肉农田监测的 Succulent-YOLO 和用于温室玫瑰检测的(You 等人,2025)Rose-Mamba-YOLO,两者在复杂成像条件下均表现出稳健的性能。
然而,尽管深度学习模型在水稻表型诊断方面取得了显著进展,但在复杂环境胁迫条件下实现准确诊断仍然具有挑战性。这主要归因于环境胁迫下水稻表型性状的高度复杂性和多样性,这使得准确识别和分类变得复杂(Gao et al., 2024)。特别是在不同光谱组成、光强和水胁迫的组合条件下,水稻幼苗经常表现出相似的视觉特征,对模型的特征提取和诊断准确性提出了更严格的要求(Liu et al., 2014)。目前,大多数基于深度学习的水稻生长监测研究主要关注单一环境胁迫下表型性状的诊断,对多种环境因素之间交互作用的系统性研究有限(Zandalinas et al., 2021)。
本研究聚焦于基于表型图像的控制光 - 水条件下水稻幼苗的多类胁迫诊断。为解决这些问题,本研究主要开展了以下工作:(1)首次系统研究了光强和水胁迫交互作用下水稻幼苗的表型性状,揭示了复合胁迫影响水稻生长的机制;(2)构建了一个包含多种光 - 水胁迫组合的水稻幼苗表型图像数据集,为深度学习模型训练提供了强有力的数据支持;(3)设计了一种基于 CBAM 注意力机制的深度学习诊断模型,显著增强了蓝绿通道的特征提取,提高了模型诊断不同胁迫条件下水稻幼苗细微表型差异的能力。这为复杂环境条件下作物表型的精确诊断提供了一种新颖的技术途径。

章节摘要

实验设计

本研究在中国黑龙江省哈尔滨市东北农业大学(东经:126.6247°,北纬:45.7662°)的人工气候室中进行,该实验室位于农业农村部中国东北智能农业技术重点实验室内。实验期从 2024 年 5 月 1 日至 2024 年 12 月 1 日。本研究旨在调查光胁迫和水胁迫对水稻幼苗生长和胁迫的机制

数据统计分析

本研究选择两叶期的水稻幼苗作为研究对象,这在生理和实践方面具有重要意义。两叶期是水稻生长发育的关键时期。在该阶段,水稻幼苗尚未进入快速生长期,对环境胁迫表现出高度敏感性(Lafitte et al., 2004)。在此期间,水稻对光强和水分条件的变化表现出显著的反应特性,

结论

本研究通过在 YOLOv8 中集成 CBAM 注意力机制和 Ghost 模块,提出了一种改进的 YOLO-CG 模型,用于水稻幼苗胁迫诊断。此外,还通过系统地结合光强、光谱组成和土壤水分状况,在复合胁迫条件下构建了一个全面的水稻幼苗表型图像数据集,为模型训练和评估提供了可靠的基础。CBAM 增强了对具有生理信息的绿光和蓝光通道的敏感性

CRediT 作者贡献声明

刘少文:撰写 – 原稿,软件,方法论,资金获取,形式分析,数据整理,概念化。王立伟:撰写 – 审查与编辑,监督,软件,项目管理,数据整理。张志刚:验证,资源,数据整理。徐浩然:验证,概念化。杨玉博:撰写 – 审查与编辑,可视化,形式分析。高锐:方法论,调查,概念化。苏中斌:方法论,调查,

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究由黑龙江省农业科学重点实验室项目(ZY04JD05-011)资助。
刘少文|王立伟|张志刚|徐浩然|杨玉博|高锐|苏中斌
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号