PhenoNet物候分类网络

轻量实时高精度

面向小麦关键物候期的两阶段轻量级网络，以极低计算开销实现接近人工标注的实时分类精度。

Ruinan, Zhang · 金时超 · Yuanhao, Zhang · Zang, Jingrong · 汪玉 · Qing, Li · Sun, Zhuangzhuang · Xiao, Wang · Qin, Zhou · Jian, Cai · Shan, Xu · Yanjun, Su · 吴劲 · Dong, Jiang

ISPRS Journal of Photogrammetry and Remote Sensing 2024

参数信息

总体精度

0.945

Kappa 系数

0.928

F1 分数

0.941

网络参数量

0.889 M

乘加运算次数

0.093 G

推理显存占用

8.0 MB

跨年份总体精度（迁移学习）

0.981

技术优势

相邻物候期可分

两阶段架构先提取判别特征再融合时序信息，能区分器官变化细微的相邻物候期，精度达总体 0.945。

实时可部署

模型仅 0.889M 参数、需 8.0MB 显存，可在边缘设备上实时推理，适合田间连续监测。

跨年份可迁移

采用两阶段迁移学习策略后，跨年份分类总体精度可达 0.981，减少标注成本。

应用场景

• 小麦物候监测：实时识别关键物候期，替代人工田间巡查。
• 作物长势分析：精确划分物候阶段，支撑长势动态分析。
• 农业机器人视觉：轻量模型嵌入机器人视觉，实现田间自主判别。
• 精准农业传感器融合：提供实时物候标签，与多源传感器数据融合。
• 轻量级边缘AI：低参数量与显存占用适合边缘设备部署。