编辑推荐：
在智能农业中，小麦生长阶段识别效率备受关注。研究人员开展了 “Novel hybrid transfer neural network for wheat crop growth stages recognition using field images” 主题研究，提出 MobDenNet 方法，其精度、召回率和 F1 分数达 99% ，有助于提高农业生产力和管理水平。
在广袤的农业领域，小麦作为世界上广泛种植的重要谷类作物，是众多人口的主要食物来源。准确识别小麦的生长阶段对于精准农业来说至关重要，它就像一把精准的钥匙，能打开提高农业产量和优化资源利用的大门。然而，目前在小麦生长阶段识别方面却困难重重。传统的识别方法不仅效率低下，需要耗费大量的人力和时间，而且极易受到人为因素的影响，导致误差较大。现有的研究也存在诸多问题，比如研究集中在产量预测和杂草识别上，对小麦生长阶段识别的关注较少；已有的模型精度不高，图像数据集不完善，训练时间复杂等。这些问题严重阻碍了精准农业的发展，因此，开展新的研究迫在眉睫。
为了解决这些难题，来自多个研究机构的研究人员展开了深入研究，其中包括 Khwaja Fareed University of Engineering and Information Technology 的研究人员等。他们的研究成果发表在《Scientific Reports》上，为小麦生长阶段识别带来了新的曙光。
研究人员采用了多种关键技术方法。首先，收集了来自巴基斯坦南部旁遮普地区小麦田的图像数据，构建了包含 4110 张图像的数据集，这些图像涵盖了小麦的七个生长阶段。其次，运用数据增强和图像预处理技术，有效解决了数据不平衡的问题，提高了数据质量。此外，使用了深度和转移学习模型，如卷积神经网络（Convolutional Neural Network，CNN）、MobileNetV2、DenseNet-121 等进行对比实验，并提出了新型混合转移学习方法 MobDenNet。
研究结果如下：
- 数据收集与预处理：创建了包含七个小麦生长阶段的数据集，原始数据集有 4110 张图像，各阶段图像数量不均衡。通过数据增强，对部分阶段图像进行处理，使数据集图像总数达到 4496 张，改善了数据的平衡性和代表性。
- 模型性能评估：对比了 CNN、MobileNetV2、DenseNet-121、InceptionV3 和 NASNet-Large 等模型的性能。结果显示，MobileNetV2 准确率达到 95% ，DenseNet-121 为 94% ，NASNet-Large 为 76% ，InceptionV3 为 74% ，CNN 为 68% 。
- MobDenNet 模型优势：提出的 MobDenNet 模型结合了 MobileNetV2 和 DenseNet-121 的架构，在小麦生长阶段预测中表现出色，精度、召回率和 F1 分数均达到 99% 。在实验中，该模型在识别 “孕穗期（Booting）” 和 “灌浆期（Milking）” 等阶段具有较高的精度和召回率。
- 模型验证与分析：通过 k 折交叉验证（k-fold cross-validation）对模型进行验证，结果表明该模型具有良好的泛化能力，平均准确率达到 97% 。同时，对模型的运行时计算复杂度进行分析，发现其在 40 个训练周期内计算效率较高且稳定。与其他最新研究相比，MobDenNet 模型的准确率更高，达到 94% ，展现出明显的优势。
在研究结论和讨论部分，研究人员提出的 MobDenNet 模型能够准确识别小麦的七个生长阶段，为精准农业提供了有力支持。该模型的应用有助于农民更合理地分配资源，做出更科学的决策，从而提高农业生产力。不过，研究也存在一定的局限性，例如数据集仅来自单一地理位置。未来，研究人员计划扩大数据集的收集范围，涵盖不同地理区域的图像，进一步提高模型的泛化能力。同时，还将探索更复杂的机器学习方法，如集成学习和注意力机制，以优化模型性能。总之，这项研究为小麦生长阶段识别提供了创新的方法和思路，对推动精准农业的发展具有重要意义。
