基于QYmax叶绿素荧光成像和改进LCRNet模型的小麦白粉病智能识别与诊断,登Frontiers in Plant Science

方法

构建QYmax荧光图像数据集，提出含LSAF与CA模块的LCRNet模型。

发现

独立测试集准确率98.0%、F1-score 98.3%，显著优于对比模型。

机会点

可探索多病害、多生育期与田间自然光下的荧光成像泛化及轻量化部署。

本研究整合叶绿素荧光成像与深度学习算法,刻画小麦白粉病发展过程中QYmax等关键荧光参数的时序动态;构建基于QYmax的小麦白粉病叶绿素荧光图像数据集;提出LCRNet智能识别模型,通过LSAF大型选择性自适应融合和CA坐标注意力模块的协同处理机制,实现高效病害识别。在独立测试集上模型准确率达98.0%、F1-score达98.3%,显著优于对比模型,为作物病害预防控制系统的智能化与精准化绿色转型提供高精度方案。