农业工程学报

作者：德志鹏,武荣盛,刘霞霞,邓晓东,李兴华,郑诗然,冯旭宇,吴昊,袁睿晗,

关键词：玉米, 干旱检测, Swin Transformer, 多尺度空洞融合注意力, 图像分类

基金：42

精准识别玉米干旱胁迫程度对优化灌溉决策、降低产量损失具有重要的理论意义与应用价值。针对当前玉米干旱表型分类存在的多源田间图像尺度差异大、背景复杂及光照变化干扰等核心问题，该研究提出基于Swin Transformer的多尺度空洞融合注意力网络（Swin Transformer with multi-scale dilated fusion attention，SWT-MDFA），用于多生育期、多胁迫等级的玉米干旱图像分类。该网络利用残差后归一化、缩放余弦注意力与对数间隔连续位置偏差增强玉米干旱表型的稳定建模能力，减轻不同生育阶段表型差异与相邻胁迫等级特征重叠带来的判别不确定性；利用多尺度空洞卷积融合通道与空间注意力模块，提升对叶片卷曲、褪绿、黄化与干枯等关键表型的多尺度特征提取能力。结果表明，SWT-MDFA在多源玉米干旱分类数据集上的准确率、精确率和召回率分别为97.4%、97.4%和97.3%，比Swin Transformer分别提高1.5、2.0和1.1个百分点，与Res2Net-50、Xception、SE-ResNet和DenseNet-121典型骨干网络相比，其准确率、精确率和召回率分别提升2.4～6.2、2.3～7.0和1.7～6.9个百分点。分类可视化的结果表明SWT-MDFA对玉米干旱胁迫下叶片关键表型区域具有稳定而清晰的关注能力。综上，该研究提出的方法能够有效应对复杂田间条件下玉米干旱表型的识别需求，为后续玉米干旱智能监测提供基础的技术支持。/

来源：2026年第6期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第6期