[1]梁文香,张晓燕,罗仔秋,等.基于SAM_CSSAM模型的大豆耐盐性鉴定方法[J].江苏农业科学,2026,54(1):81-88.
　Liang Wenxiang,et al.The identification method for salt tolerance of soybean based on SAM_CSSAM model[J].Jiangsu Agricultural Sciences,2026,54(1):81-88.
点击复制

基于SAM_CSSAM模型的大豆耐盐性鉴定方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第1期
页码:
81-88
栏目:
遗传育种与种质资源
出版日期:
2026-01-05

文章信息/Info

Title:
The identification method for salt tolerance of soybean based on SAM_CSSAM model
作者:
梁文香1; 2; 张晓燕2; 罗仔秋1; 张浩淼1; 蒋东山1; 陈新2; 高尚兵1; 薛晨晨2
1.淮阴工学院计算机与软件工程学院，江苏淮安 223001； 2.江苏省农业科学院经济作物研究所，江苏南京 210014
Author(s):
Liang Wenxiang; et al
关键词:
大豆; 耐盐性; 种质资源鉴定; 注意力机制; 卷积神经网络
Keywords:
-
分类号:
S126；S565.101；TP391.41
DOI:
-
文献标志码:
A
摘要:
传统的大豆种质资源耐盐性鉴定方法存在鉴定周期长、鉴定效率低、精准度低等诸多缺陷，不符合现代高通量表型鉴定的需求，且极大地限制了大豆耐盐种质的挖掘与利用。研究以434份大豆材料为研究对象，设计对照和盐处理2个处理，采集大豆苗期的RGB图像，构建了基于结合通道选择和空间注意力机制的结构调整网络模型(structural adjustment network model with channel selection and spatial attention mechanism，简称SAM_CSSAM)，首先使用改进的通道和空间注意力机制，学习通道和空间上的特征信息，并且结合通道权重选择模块进行去除背景冗余信息，最后提出结构权重选择模块减少下采样时特征信息的损失。在自建的大豆苗期耐盐性数据集上迭代训练500轮，模型的训练损失和验证准确率分别达到0.02、97.22%，精确率为97.24%，召回率为97.26%，F1分数为97.23%。相比于VGG16、MobileNet v2、ConvNext、ShuffleNet等模型均有明显提升。本研究基于深度学习建立了一种基于 SAM_CSSAM模型的大豆种质资源苗期耐盐性鉴定方法，可为耐盐大豆种质资源的挖掘提供理论依据和技术支撑。
Abstract:
-

参考文献/References:

［1］王广达. 不同类型钠盐对大豆幼苗生长的影响及作用机制［D］. 大庆：黑龙江八一农垦大学，2023.
［2］孙现军，胡正，姜雪敏，等. 大豆种质资源苗期耐盐性鉴定评价与筛选［J］. 作物学报，2024，50(9)：2179-2186.
［3］王晓歌，高利英，邓永胜，等. 棉花萌发出苗期耐盐性鉴定和评价［J］. 山东农业科学，2025，57(2)：29-37.
［4］胡炎，杨帆，杨宁，等. 盐碱地资源分析及利用研究展望［J］. 土壤通报，2023，54(2)：489-494.
［5］Yao J P，Wang Z Y，de Oliveira R F，et al. A deep learning method for the long-term prediction of plant electrical signals under salt stress to identify salt tolerance［J］. Computers and Electronics in Agriculture，2021，190：106435.
［6］柏锡，吴芳芳，林凡敏，等. 大豆耐盐性鉴定体系的建立［J］. 东北农业大学学报，2013，44(4)：8-13，161.
［7］邵桂花. 大豆种质资源耐盐性田间鉴定方法［J］. 作物杂志，1986(3)：36-37.
［8］刘谢香，常汝镇，关荣霞，等. 大豆出苗期耐盐性鉴定方法建立及耐盐种质筛选［J］. 作物学报，2020，46(1)：1-8.
［9］Behmann J，Steinrücken J，Plümer L. Detection of early plant stress responses in hyperspectral images［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2014，93：98-111.
［10］Moshou D，Pantazi X E，Kateris D，et al. Water stress detection based on optical multisensor fusion with a least squares support vector machine classifier［J］. Biosystems Engineering，2014，117：15-22.
［11］Zhuang S，Wang P，Jiang B R，et al. Early detection of water stress in maize based on digital images［J］. Computers and Electronics in Agriculture，2017，140：461-468.
［12］Deng Y X，Xin N，Zhao L G，et al. Precision detection of salt stress in soybean seedlings based on deep learning and chlorophyll fluorescence imaging［J］. Plants，2024，13(15)：2089.
［13］Hao X，Jia J D，Gao W L，et al. MFC-CNN：an automatic grading scheme for light stress levels of lettuce (Lactuca sativa L.) leaves［J］. Computers and Electronics in Agriculture，2020，179：105847.
［14］Khotimah W N，Boussaid F，Sohel F，et al. SC-CAN：spectral convolution and channel attention network for wheat stress classification［J］. Remote Sensing，2022，14(17)：4288.
［15］Hwang Y，Kim J，Ryu Y.Canopy structural changes explain reductions in canopy-level solar induced chlorophyll fluorescence in Prunus yedoensis seedlings under a drought stress condition［J］. Remote Sensing of Environment，2023，296：113733.
［16］Song W L，Xiang K Z，Lu Y Z，et al. Unlocking the secrets of corn：physiological responses and rapid forecasting in varied drought stress environments［J］. Remote Sensing，2024，16(22)：4302.
［17］Gao S Y，Liang H，Hu D，et al. SAM-ResNet50：a deep learning model for the identification and classification of drought stress in the seedling stage of Betula luminifera［J］. Remote Sensing，2024，16(22)：4141.
［18］文青青，李金星，王虎，等. 基于BERT的猕猴桃病虫害命名实体识别［J］. 计算机技术与发展，2025，35(5)：214-220.
［19］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［C］//International Conference on Learning Representations.Computational and Biological Learning Society，2015.
［20］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：4510-4520.
［21］Liu Z，Mao H Z，Wu C Y，et al. A ConvNet for the 2020s［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans：IEEE，2022：11966-11976.
［22］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：6848-6856.
［23］Huang G，Liu Z，van der Maaten L，et al. Densely connected convolutional networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu：IEEE，2017：2261-2269.
［24］Radosavovic I，Kosaraju R P，Girshick R，et al. Designing network design spaces［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle：IEEE，2020：10428-10436.

相似文献/References:

[1]赵银月,耿智德,王铁军.云南省大豆地方种质资源的籽粒特征特性分析及评价[J].江苏农业科学,2013,41(04):62.
[2]李葵花,高玉亮,吴京姬.转P5CS基因马铃薯“东农303”耐盐、抗旱性研究[J].江苏农业科学,2014,42(11):131.
　Li Kuihua,et al().Study on salt resistance and drought resistance of P5CS transgenic potato cultivar “Dongnong 303”[J].Jiangsu Agricultural Sciences,2014,42(1):131.
[3]朱倩,谢飒英,谢三刚,等.稀土LaCl3对大豆叶绿素含量及a/b值的影响[J].江苏农业科学,2013,41(06):81.
　Zhu Qian,et al.Effect of LaCl3 on chlorophyll content and the ratio of chlorophyll a to chlorophyll b in soybean[J].Jiangsu Agricultural Sciences,2013,41(1):81.
[4]王宗标,王幸,徐泽俊,等.植物保健剂对大豆产量及农艺性状的影响[J].江苏农业科学,2013,41(06):85.
　Wang Zongbiao,et al.Effects of plant health care agent on yield and agronomic traits of soybean[J].Jiangsu Agricultural Sciences,2013,41(1):85.
[5]孙洪助,李鹤,郭世荣,等.8个不同砧用南瓜品种萌芽期耐盐性比较[J].江苏农业科学,2013,41(06):130.
　Sun Hongzhu,et al.Salt tolerance comparison of eight pumpkin cultivars used as rootstock at germination stage[J].Jiangsu Agricultural Sciences,2013,41(1):130.
[6]徐明坤,胥义.冷冻干燥法制备快速制浆半成品大豆的工艺条件优化[J].江苏农业科学,2013,41(06):216.
　Xu Mingkun,et al.Optimization of technological conditions for preparation of semi-finished soybean products for quick soybean milk production by freeze-drying method[J].Jiangsu Agricultural Sciences,2013,41(1):216.
[7]郭文琦,张培通,李春宏,等.沿海滩涂绿化树种选择和耐盐性评价[J].江苏农业科学,2014,42(10):175.
　Guo Wenqi,et al.Selection and evaluation on salt tolerance of gardening tree species in coastal beach areas[J].Jiangsu Agricultural Sciences,2014,42(1):175.
[8]陈新,袁星星,崔晓艳,等.江苏省大豆生产发展布局与未来发展方向[J].江苏农业科学,2013,41(08):5.
　Chen Xin,et al.Layout and future direction of soybean production development in Jiangsu Province[J].Jiangsu Agricultural Sciences,2013,41(1):5.
[9]吴平,陈晓梅,丁宁.4种湿生植物苗期耐盐性综合评价[J].江苏农业科学,2014,42(09):148.
　Wu Ping,et al.Comprehensive evaluation of salt tolerance of four hygrophytes[J].Jiangsu Agricultural Sciences,2014,42(1):148.
[10]李丽丽,郎敬,杨洪一,等.大豆根际解磷菌的鉴定[J].江苏农业科学,2014,42(08):363.
　Li Lili,et al.Identification of phosphate-solubilizing bacteria in rhizosphere of soybean[J].Jiangsu Agricultural Sciences,2014,42(1):363.
[11]姚梦楠,王永强,周恩强,等.86份大豆种质成熟期耐盐性评价[J].江苏农业科学,2025,53(7):59.
　Yao Mengnan,et al.Evaluation of salt tolerance of 86 soybean germplasms at maturation stage[J].Jiangsu Agricultural Sciences,2025,53(1):59.

备注/Memo

备注/Memo:
收稿日期：2025-02-20
基金项目：国家重点研发计划(编号：2023YFD2300100)；“生物育种钟山实验室”资助项目(编号：ZSBBL)；江苏省种业振兴揭榜挂帅项目(编号：JBGS-2021-014)。
作者简介：梁文香(1997—)，女，河南周口人，硕士研究生，研究方向为图像处理，E-mail：liangwx1211@163.com；共同第一作者：张晓燕(1988—)，女，山东烟台人，博士，副研究员，研究方向为豆类作物种质创新与应用，E-mail：xyzhang@jaas.ac.cn。
通信作者：高尚兵，博士，教授，研究方向深度学习、图像处理，E-mail：11060036@hyit.edu.cn；薛晨晨，博士，副研究员，研究方向大豆功能育种与应用，E-mail：xuecc@jaas.ac.cn。
更新日期/Last Update: 2026-01-05