编辑推荐：
为解决草莓生长阶段精准分类及营养管理问题，研究人员开展基于 AI 的草莓生长阶段分类和精准营养管理研究。他们用多模型测试新数据集，发现 EfficientNetB7 准确率达 0.837 。这为优化草莓种植营养管理提供依据。
在农业领域，随着全球人口增长，对粮食的需求与日俱增。传统的农业种植方式，像不合理的施肥，不仅造成了资源的浪费，还对环境产生了极大的破坏，比如土壤板结、水体富营养化等问题。在草莓种植中，精准的营养管理对提高产量和果实品质至关重要。因为不同生长阶段的草莓，对各类营养元素的需求差异很大。例如在营养生长阶段，草莓对氮、钙的需求较高；而在开花结果期，对钾的需求会显著增加。然而，准确判断草莓的生长阶段却并非易事。以往依靠人工经验判断，不仅效率低，还容易出错。而且现有的一些相关研究，存在数据集有限、方法陈旧、缺乏有效对比等问题。
为了攻克这些难题，来自韩国庆北国立大学（Kyungpook National University）等机构的研究人员，开展了一项关于 “基于 AI 的草莓生长阶段分类和精准营养管理” 的研究。该研究成果发表在《Scientific Reports》上，为草莓种植产业带来了新的希望。
研究人员在本次研究中运用了多种关键技术方法。首先，为获取丰富且高质量的数据，他们在 11 个不同农场的温室中，使用三星 Galaxy A32 智能手机相机，对 265 个草莓单元进行图像采集，涵盖了不同光照、天气和背景场景下草莓从早期开花到完全成熟果实的 7 个生长阶段 。之后，对收集到的约 45,000 张图像进行严格筛选，去除无效数据，并采用数据增强技术平衡各类别样本数量。在模型测试环节，选用了包括视觉 Transformer（ViT）、紧凑型卷积 Transformer（CCT）、ResNet50、MobileNetV2 和 VGG19 等在内的多种模型，在 NVIDIA RTX 4090 GPU 上进行训练和评估。
研究结果
- 模型复杂度：对比各模型训练参数数量，EfficientNetB7 以 66,416,599 个参数位居首位，体现其架构庞大；而 CCT 仅有 415,944 个参数，设计高效，在保证性能的同时降低计算需求。
- 训练性能评估：在 100 个训练周期内，EfficientNetB7 表现卓越，在第 50 个周期就接近完美准确率，并一直保持领先。ViT 和 MobileNetV2 也表现出色，能快速达到较高准确率。CCT 稳步提升，最终准确率约 0.85。VGG19 训练过程中准确率波动明显，稳定性欠佳。ResNet50 提升最慢，训练结束时准确率刚超 0.7。
- 验证性能评估：从验证集的小提琴图来看，CCT 展现出最高的验证准确率，均值和中位数分别为 0.88 和 0.92。EfficientNetB7 以 0.82 的平均准确率紧随其后。VGG19 和 ResNet50 表现稳健，但准确率分布存在一定波动。MobileNetV2 波动较大，稳定性一般。ViT 的均值和中位数准确率最低，分别为 0.29 和 0.28，训练时极不稳定。
- 测试结果对比：测试阶段，EfficientNetB7 准确率达到 0.837，再次证明其优势。CCT 以 0.817 的准确率紧跟其后，体现出其轻量级设计未影响实际效果。VGG19 和 MobileNetV2 分别达到 0.778 和 0.743，表现可靠。ResNet50 为 0.715，ViT 最低，仅 0.632 ，与之前训练和验证阶段的表现相符。
- 精度、召回率和 F1 分数对比：通过雷达图分析，EfficientNetB7 和 CCT 在所有类别上都具有较高的精度和召回率，F1 分数也很优秀，性能均衡。VGG19 和 MobileNetV2 表现有竞争力，但存在细微差异。ResNet50 和 ViT 在这些指标上相对落后，进一步证实了它们在稳定性方面的不足。
研究结论与讨论
综合各项评估指标，EfficientNetB7 在所有模型中性能最为突出，其高准确率为精准的草莓生长阶段分类和营养管理提供了有力支持。然而，由于其参数众多，模型较大，在实际部署到边缘设备时会面临挑战。CCT 则凭借其独特的混合架构，在参数高效性和性能之间取得了良好的平衡。它能够有效捕捉草莓植株上的小特征或部分被遮挡的特征，在验证和测试中都展现出高准确率，以及出色的精度、召回率和 F1 分数，非常适合计算资源有限的场景。VGG19 和 MobileNetV2 也取得了不错的成果，前者参数较多，性能稳定；后者优化了效率，在性能和参数效率之间达到了平衡，可适用于多种应用场景。ResNet50 和 ViT 在本次研究中表现出稳定性不足和收敛速度较慢的问题，后续需要进一步优化，才能更好地应用于草莓生长阶段分类任务。
这项研究的意义重大，它证明了基于 AI 的生长阶段分类可以显著提升草莓种植中的精准营养管理水平。研究人员通过构建高质量的数据集，系统评估多种深度学习架构，为不同种植场景下选择合适的模型提供了参考依据。虽然本次研究聚焦于草莓，但研究方法，包括数据收集、标注和模型评估等，完全可以推广到其他作物的种植研究中。未来，研究人员可以探索更多的混合架构，融合多模态数据，如土壤成分、气候数据等，进一步优化模型，实现实时营养管理，推动农业向更可持续、数据驱动的方向发展，最终在全球范围内提高作物产量，提升资源利用效率。
