摘要

植物营养缺乏的早期检测并及时采取纠正措施，对于保障作物产量和农产品品质至关重要。然而，由于早期症状往往极为细微，即便借助计算机辅助诊断工具，仍难以准确识别。为此，本研究提出了一种新型颜色空间——Nutrispace，通过增强叶面图像中营养缺乏的早期特征，显著提升基于深度学习的营养胁迫识别能力。为评估Nutrispace的有效性，本研究将其性能与RGB、HSV及CIELAB三种传统颜色空间进行对比，采用三种轻量级分类器：EfficientNetB0、MobileNetV2和DenseNet121。为进一步探究Nutrispace的应用边界，实验还测试了四种不同的图像输入尺寸：32×32、64×64、128×128和256×256。测试数据集包含苦瓜（Momordica charantia）、冬瓜（Benincasa hispida）和丝瓜（Trichosanthes cucumerina）叶片在氮、钾元素早期缺乏状态下的图像，以及健康对照样本。实验结果表明，在全部12组测试条件下，Nutrispace均显著提升了分类准确率，相较于RGB颜色空间，准确率提升幅度在1%至8%以上。尤其在高分辨率图像（256×256）下，性能提升更为显著，Nutrispace在该条件下实现了最高测试准确率90.62%。总体而言，Nutrispace在不同分类器架构和输入尺寸下均表现出优异的稳定性和有效性，展现出在植物营养状态智能诊断中的广阔应用前景。