北京林业大学赵燕东教授等:基于改进DenseNet的拔节期秋玉米干旱胁迫诊断模型

拔节期是玉米植株生长速度最快的时期，此时的玉米植株对干旱胁迫十分敏感。为实现秋玉米拔节期干旱胁迫的准确诊断，该研究构建了一种三级模块化诊断流程，涵盖图像预处理、数据增强和深度学习建模3个阶段。

试验采用盆栽控水法，采集不同干旱梯度条件下的拔节期秋玉米冠层可见光图像，共构建原始数据集1338张。图像预处理阶段采用HSV（hue，saturation，value）色彩空间阈值分割以提取玉米植株区域，减少背景干扰；数据增强阶段引入多种图像变换方法以模拟复杂成像环境；深度学习建模阶段以DenseNet-169作为主干网络，在每个Dense Block后引入BAM（bottleneck attention module）注意力机制模块，并结合LDAM（label-distribution-aware margin loss）损失函数，提出DenseNet-BAM模型。

结果表明，该方法在测试集上的准确率达到99.59%，比DenseNet-169模型提高了3.91个百分点；与MobileNet-V3、ResNet50、VGG16、Vit_b_16和Convnext_small模型相比，DenseNet-BAM模型的分类准确率分别提高了14.03、5.65、4.07、6.73和4.82个百分点。研究结果可为玉米干旱胁迫诊断与智能灌溉策略提供参考。