摘要
随着全球气候变化以及农业用水资源的日益匮乏，人们越来越需要开发快速、无损且能自动运行的植物健康监测系统。作为一种具有经济价值的作物，罗勒对水分供应的变化十分敏感，在干旱和过度灌溉条件下可能会出现与胁迫相关的形态变化。然而，由于干旱胁迫、水涝胁迫以及适宜灌溉条件下的叶片症状在视觉上较为相似，因此在实际应用中准确区分这些状况仍面临挑战。为了解决这一问题，本文提出了一种基于注意力机制的双分支深度学习框架，该框架能够从高分辨率的植物图像中提取细微的叶片特征以及与通道相关的特征。通过将卷积块注意力模块（CBAM）和挤压激励（SE）机制以并行结构结合在一起，该网络提升了对于720 × 720像素大小的高分辨率图像的分析能力。在受控环境条件下，利用土壤湿度传感器获取的真实标签，将该模型与DenseNet121、InceptionV3和VGG16等八种深度学习架构进行了比较。实验结果表明，该模型的保留评估准确率达到了99.54%，优于第二名的DenseNet121，后者的准确率为96.43%。此外，该模型在干旱胁迫类别上的分类精确度达到了100%，在受控实验环境下的接收者操作特征曲线下面积也为1.00。泰勒图分析也显示，该模型很好地保持了参考数据中的变化模式。这些结果表明，所提出的专用框架有望在受控条件下实现罗勒水分胁迫的无损检测。若能通过更大规模的数据集、不同品种、多变的环境条件以及实际的农业场景进行进一步验证，该方法有望为精准灌溉管理和可持续农业生产提供助力。本研究的贡献应被视作是在受控环境下对罗勒水分胁迫分类的一种专用注意力机制实现与评估，而非引入了某种全新的深度学习方法。
