基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識別

戴久竣　馬肄恒　吳堅　班兆軍

摘要：葡萄病害是導(dǎo)致葡萄嚴(yán)重減產(chǎn)的主要因素，大多數(shù)病害癥狀都反映在葡萄的葉片上，但是人工針對葉片的識別費時且效率低。本研究提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識別模型。該研究在ResNet50的基礎(chǔ)上采用金字塔卷積網(wǎng)絡(luò)，通過其包含不同大小和不同深度的卷積核來處理輸入，然后以特征融合來獲得不同程度的病害特征細(xì)節(jié)。在金字塔網(wǎng)絡(luò)結(jié)構(gòu)上采用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)的卷積層，能夠加快模型收斂速度，有效提升模型精度。結(jié)果表明，改進(jìn)后的殘差網(wǎng)絡(luò)模型與AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比，在準(zhǔn)確性方面具有顯著優(yōu)勢。與原模型相比較，識別準(zhǔn)確率提高3.18百分比，改進(jìn)模型對病害識別準(zhǔn)確率高達(dá)98.20%。可以為識別葡萄葉片病害提供參考。

關(guān)鍵詞：葡萄病害；殘差網(wǎng)絡(luò)；金字塔卷積；深度超參數(shù)化卷積層

中圖分類號：TP391.41文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2023）05-0208-08

葡萄是我國最常見的水果之一，它含有多種維生素、類胡蘿卜素和多酚，對人類健康有許多益處，如抗癌、抗氧化和光保護［1］。根據(jù)聯(lián)合國糧食及農(nóng)業(yè)組織的調(diào)查數(shù)據(jù)，2021年我國葡萄產(chǎn)量達(dá)到 1 443.9萬t，但是每年有多達(dá)40%的葡萄因病害而壞死，所以葡萄病害是全球葡萄產(chǎn)量下降的主要原因。因此，建立一種高準(zhǔn)確率的葡萄葉片病害識別方法，將有助于提高葡萄生產(chǎn)管理水平，提供良好的生長環(huán)境使其產(chǎn)量有效提升。

隨著計算機視覺［2-4］、機器學(xué)習(xí)［5-7］和深度學(xué)習(xí)［8-10］等技術(shù)的發(fā)展，這些技術(shù)已被廣泛應(yīng)用于作物病害檢測［11-13］。傳統(tǒng)的機器學(xué)習(xí)方法主要集中在色調(diào)、形狀、紋路等低層圖像特征以及支持向量機等傳統(tǒng)機器學(xué)習(xí)算法上。多位學(xué)者基于全局閾值算法來分割葡萄葉片的病害部分，并將其輸入機器學(xué)習(xí)分類器［14-16］。但是，傳統(tǒng)的機器學(xué)習(xí)算法不能有效地處理圖像的空間信息。與傳統(tǒng)的機器學(xué)習(xí)方法相比，深度學(xué)習(xí)方法在特征提取方面表現(xiàn)更好，通常可以獲得更好的性能。卷積神經(jīng)網(wǎng)絡(luò)是一種高性能的深度學(xué)習(xí)網(wǎng)絡(luò)，它提供端到端的通道，自動學(xué)習(xí)在圖像中的表達(dá)層次特征［17-20］。基于深度網(wǎng)絡(luò)的病害識別不僅更加有效，而且避免了繁瑣的特征選擇過程。

目前，基于卷積神經(jīng)網(wǎng)絡(luò)的模型已被廣泛應(yīng)用于作物的早期病害檢測和后續(xù)病害管理。Tahir等采用InceptionV3模型結(jié)合遷移學(xué)習(xí)方法對蘋果葉片病害識別進(jìn)行研究，在PlantVillage數(shù)據(jù)集上的平均準(zhǔn)確率達(dá)到97%［21］。Zhang等提出了一個改進(jìn)的殘差模型，用于對醫(yī)學(xué)X射線圖像中的多種病癥進(jìn)行圖像分類，最后多次試驗評估表明，所提出模型的準(zhǔn)確率在不同的數(shù)據(jù)集上分別達(dá)到了87.71%和81.8%［22］。Zu等提出了一種基于改進(jìn)的ResNeXt-50模型與遷移學(xué)習(xí)相結(jié)合的香菇感染枝條識別方法，試驗結(jié)果表明，改進(jìn)模型識別準(zhǔn)確率可以達(dá)到94.27%［23］。龍滿生等將AlexNet和GoogleNet網(wǎng)絡(luò)與遷移學(xué)習(xí)策略相結(jié)合，對油茶病害進(jìn)行了識別［24］。余小東等采用遷移學(xué)習(xí)方式并結(jié)合深度學(xué)習(xí)提出了一種基于ResNet50的模型，獲得病蟲害分類模型，最終其識別率達(dá)到91.51%［25］。Liu等基于VGG16和Inception-ResNetv2的遷移學(xué)習(xí)網(wǎng)絡(luò)設(shè)計了害蟲圖像識別模型。最終識別準(zhǔn)確率為97.71%［26］。Krishnamoorthy等將一個預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)Inception-ResNetv2和遷移學(xué)習(xí)方法結(jié)合用于識別水稻葉片病害，該模型的參數(shù)針對分類任務(wù)進(jìn)行了優(yōu)化，最終獲得了95.67%的準(zhǔn)確率［27］。許景輝等提出基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)的玉米病害圖像識別模型，最終識別準(zhǔn)確率達(dá)到95.33%［28］。

根據(jù)以上研究，卷積神經(jīng)網(wǎng)絡(luò)在病害識別方面取得了較好的結(jié)果，但是大多數(shù)面向應(yīng)用的圖像識別算法都基于流行的遷移學(xué)習(xí)方法來進(jìn)行試驗，對于算法的改進(jìn)很少，導(dǎo)致模型有局限性。因此，本研究提出一種基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識別模型。以ResNet50為基礎(chǔ)模型引入金字塔卷積網(wǎng)絡(luò)，再此結(jié)構(gòu)上使用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)卷積層，進(jìn)而確保了多尺度特征的高效提取和額外參數(shù)增加，使模型的收斂速度和識別性能得到提升。

1 試驗數(shù)據(jù)

1.1 圖像數(shù)據(jù)

本研究從2個不同的數(shù)據(jù)集中收集各類病害和健康類葡萄的不同圖像。本研究中用于評估性能的第1個數(shù)據(jù)集是來源于浙江農(nóng)業(yè)科學(xué)研究院的葡萄體系研究平臺，其包含白粉病、霉霜病2類病害，部分病害圖像是研究員在養(yǎng)殖基地拍攝后上傳到平臺的。第2個數(shù)據(jù)集是在Plant Village數(shù)據(jù)庫和Digipathos網(wǎng)站上挑選合適的黑腐病、葉斑病和健康葉3類葉片，每1幅圖像都只有1種病害，葉片如圖1部分示例所示。將源于2個數(shù)據(jù)集的葡萄葉片圖像整合共同構(gòu)成數(shù)量為1 205幅的數(shù)據(jù)集。

1.2 圖像數(shù)據(jù)預(yù)處理與增強

深度學(xué)習(xí)模型的性能取決于所用數(shù)據(jù)的數(shù)量和質(zhì)量。本研究準(zhǔn)備的葡萄葉片病害數(shù)據(jù)集與訓(xùn)練模型所需的數(shù)據(jù)量相比很小，這可能會導(dǎo)致過擬合；在這種情況下，1個模型對訓(xùn)練數(shù)據(jù)表現(xiàn)良好，但在用未見過的數(shù)據(jù)進(jìn)行測試時卻不能泛化。為了解決該問題，需要將原始數(shù)據(jù)進(jìn)行預(yù)處理操作，處理方法包括數(shù)據(jù)增強、局部裁剪等。如圖2所示，數(shù)據(jù)增強采用多種圖像增強技術(shù)（旋轉(zhuǎn)、翻轉(zhuǎn)、平移、亮度變化和增加噪聲等）。圖像局部裁剪是將原始數(shù)據(jù)圖像的較小病害區(qū)域進(jìn)行裁剪，這樣可以讓模型訓(xùn)練時更好地進(jìn)行特征提取，如圖3所示。

通過以上方法，最終將原始數(shù)據(jù)擴充為原來的6倍，最終數(shù)據(jù)集為7 230幅。

2 葡萄葉片病害識別模型

2.1 卷積神經(jīng)網(wǎng)絡(luò)選取

卷積神經(jīng)網(wǎng)絡(luò)是一種用于計算機視覺應(yīng)用程序的當(dāng)代技術(shù)，其中神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)內(nèi)部特征表示并泛化常見圖像問題中的特征來保持層次結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)的核心是卷積，它學(xué)習(xí)用于視覺識別的濾波器。本研究選取4類常見病害和1類健康葉片圖像為樣本，由于每類病害的病斑紋理、形狀和色彩在葉片不同的位置等特點，區(qū)分難度很大。選取淺層卷積神經(jīng)網(wǎng)絡(luò)可能小范圍的葡萄病斑特征很難輸入到模型的深層。這種特征的損失嚴(yán)重影響了模型的識別精度。選取層數(shù)過多的卷積神經(jīng)網(wǎng)絡(luò)，雖然隨著網(wǎng)絡(luò)層數(shù)的增加，提取的病斑能力逐漸加強，但是在訓(xùn)練過程中，隨著網(wǎng)絡(luò)層數(shù)的逐漸增加，可能會導(dǎo)致梯度爆炸和網(wǎng)絡(luò)退化等問題。所以本研究選取深度合適的ResNet50為基礎(chǔ)模型，在此基礎(chǔ)上修改了原來瓶頸層的主分支的卷積核和改進(jìn)傳統(tǒng)卷積層。使用新的卷積方式能夠更高效地提取病斑特征并能加快收斂速度，提高模型性能。

2.2 改進(jìn)模型的設(shè)計

在本研究中提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的識別模型，顯示ResNet50的具體結(jié)構(gòu)（圖4），顯示殘差塊結(jié)構(gòu)（圖5）。ResNet50分為6個階段，其中，Stage1的結(jié)構(gòu)相對簡單，可以看作是圖像輸入的預(yù)處理。Stage2～Stage5分別由3、4、6、3個瓶頸層組成，它們的結(jié)構(gòu)原理相對相似。Stage1的輸入為（3×224×224），分別表示輸入的通道數(shù)、高度和寬度。Stage1的第1層包括3個順序操作：（1）卷積，其中卷積核的大小為7×7，卷積核的數(shù)量為64；（2）批量標(biāo)準(zhǔn)化；（3）ReLU激活功能。Stage1中的第2層是最大池化層。Stage2～Stage5中的每個Stage的第1個瓶頸層都采取下采樣。Stage6全連接層將高維特征進(jìn)行分類輸出。

本研究對Resnet50進(jìn)行如下改進(jìn)：

（1）修改Stage2～Stage4的瓶頸層結(jié)構(gòu)，采用金字塔卷積網(wǎng)絡(luò)方式，將Stage2中3個瓶頸層的Conv2的64個3×3的卷積核采用金字塔卷積方式，替換成16個3×3的卷積核（Padding=1），16個5×5的卷積核（Padding=2），16個7×7的卷積核（Padding=3），16個9×9的卷積核（Padding=4），共4組，卷積核的深度在每個級別上都有所不同，最后特征融合再進(jìn)行輸出，如圖6所示。剩余的Stage3～4也都要采用相同金字塔卷積方式，分別分為3組、2組的組合方式，改進(jìn)后的瓶頸層結(jié)構(gòu)如圖7所示。采用多組多卷積核處理，擴大卷積核的感受野，可以并行應(yīng)用不同類型的卷積核，來改善不同特征級別尺度間的相關(guān)性，可以恢復(fù)更多細(xì)節(jié)。網(wǎng)絡(luò)可以從連通性較低的大感受野連接到連通性較高的小感受野。這些不同大小的卷積核帶來了互補信息，有助于提高網(wǎng)絡(luò)的識別性能。感受野較小的卷積核可以更好地捕捉關(guān)于較小病斑的信息，而感受野較大的卷積核可以提供背景信息。

（2）在改進(jìn)后瓶頸層的金字塔結(jié)構(gòu)里使用深度超參數(shù)化卷積層（DO-Conv）代替?zhèn)鹘y(tǒng)卷積層。深度卷積層將輸入特征區(qū)域P的Cin個通道中的每個通道提取出來，然后分別單一與單通道卷積核進(jìn)行點積運算，得到的輸出特征圖區(qū)域與輸入特征圖區(qū)域的通道數(shù)相同。具體操作如圖8所示，公式為

O=W·p

式中：W為卷積核的權(quán)重張量，P為輸入特征區(qū)域，O為卷積的輸出。

每個輸入特征區(qū)域P（一個M×N維特征）被轉(zhuǎn)換為一個Dmul維特征。可訓(xùn)練的深度卷積核可以表示為3D張量W∈ R（M×N）×Dmul×Cin。由于每個輸入通道都轉(zhuǎn)換為Dmul維度特征，因此深度卷積操作輸出的是一個Dmul×Cin維的特征O=W·P，具體運算可以用公式（2）來表示：

式中：M和N為2個空間的大小；Cin為輸入維度，其中M×N=4，Dmul=2，Cin=3。

如公式（2）所示，在深度卷積層中，具有不同立方體框架顏色的不同輸入通道，O的每個元素由卷積核W的每個垂直列向量與輸入?yún)^(qū)域P的相應(yīng)通道中的元素（具有相同顏色的元素）之間的點積計算，得到輸出特征O的一個融合元素，最后將每個通道組合成整體的輸出特征。深度超參數(shù)化卷積層（DO-Conv）是將傳統(tǒng)卷積層與深度卷積層結(jié)合成整體，從而對輸入特征圖區(qū)域進(jìn)行操作的新型卷積操作形式。與傳統(tǒng)卷積層相比較，深度卷積層因為不需要與特征圖區(qū)域的整體作多次卷積計算，但是深度卷積層相對于傳統(tǒng)卷積層的輸出結(jié)果改變了輸出特征圖的尺寸，所以二者之間并不能完全等效。深度超參數(shù)化的主要優(yōu)點之一是深度超參數(shù)化使用的多層復(fù)合線性運算可以在訓(xùn)練階段后收縮成緊密的單層表示，然后只需要使用單層來進(jìn)行推理，將參數(shù)計算量減少到與傳統(tǒng)卷積層完全等效并且能夠加快模型收斂速度，有效提升模型精度。

2.3 改進(jìn)模型整體結(jié)構(gòu)

本研究所改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)由ResNet50為基礎(chǔ)，采用金字塔卷積結(jié)構(gòu)方式，并在其方式下采用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)卷積層，得到改進(jìn)的殘差網(wǎng)絡(luò)模型。整體結(jié)構(gòu)如圖9所示。

3 結(jié)果與分析

3.1 試驗測試平臺

本試驗的測試平臺是 Intel CoreTM i7-8750 CPU@2.20 GHz處理器，試驗環(huán)境操作系統(tǒng)是Windows 10，配置8 GB顯卡NVIDIA GeForce [JP+2]RTX2080，64位操作系統(tǒng)。訓(xùn)練環(huán)境由Anaconda3創(chuàng)建，環(huán)境配置為Python3.7.10、開源深度學(xué)習(xí)框架Pytorch1.6。試驗批次為32，訓(xùn)練輪數(shù)為50，采用自適應(yīng)估計優(yōu)化器（Adam）來實現(xiàn)模型優(yōu)化。

在試驗中，數(shù)據(jù)集被分成2個部分：80%用于訓(xùn)練，10%用于驗證，10%用于測試。將圖像裁剪成規(guī)定尺寸作為輸入圖像，并評估其分類精度。所有模型均采用相同的設(shè)置進(jìn)行訓(xùn)練和測試。

3.2 試驗設(shè)計及分析

3.2.1 研究學(xué)習(xí)率對模型的影響

為了探究不同學(xué)習(xí)率對改進(jìn)模型的影響，分別設(shè)置了0.1、0.01、0.001共3個學(xué)習(xí)率進(jìn)行試驗對比，準(zhǔn)確率見表1，模型訓(xùn)練過程如圖10所示。最后根據(jù)收斂速度和識別準(zhǔn)確率選擇學(xué)習(xí)率為0.001來進(jìn)行以下的對比試驗。

3.2.2 研究不同分類模型的性能

改進(jìn)的ResNet50與其他分類模型（ResNet50、ResNet101、VGG16、AlexNet、MobileNetV2）都是從0開始訓(xùn)練的，共有50個訓(xùn)練輪數(shù)，并且采用了相同的訓(xùn)練方式（學(xué)習(xí)率設(shè)置為0.001）。

Adam算法被用作模型訓(xùn)練的優(yōu)化器。由于每個訓(xùn)練輪次都會有較大的噪聲，容易陷入局部最優(yōu)解，因此使用Adam優(yōu)化器。利用帶有動量的梯度下降來解決局部最優(yōu)解的情況。此外，Adam優(yōu)化算法是一種自適應(yīng)優(yōu)化方案，可以調(diào)整每個參數(shù)的學(xué)習(xí)速率。對比結(jié)果如表2所示。

為了能夠更直觀地觀察各個模型在訓(xùn)練的準(zhǔn)確率變化曲線。圖11展示不同模型在訓(xùn)練集和驗證集的準(zhǔn)確率，改進(jìn)的ResNet50模型具有最高的識別率，達(dá)98.20%，主要是因為采用金字塔卷積的方式和使用深度超參數(shù)化卷積層，模型通過并行增加卷積核大小來處理輸入，然后通過特征融合來獲得不同程度的病害特征細(xì)節(jié)和增加額外的參數(shù)，使上下層語義信息更加緊密，有效加快模型收斂速度和提升模型精度。

3.2.3 研究數(shù)據(jù)增強對識別性能的影響

在本研究中，數(shù)據(jù)增強被用來防止過度擬合。本研究采用旋轉(zhuǎn)、翻轉(zhuǎn)、縮放和顏色變化、增加噪聲等方法來增加數(shù)據(jù)集。本研究將數(shù)據(jù)集劃分為原始數(shù)據(jù)、原始數(shù)據(jù)增強2種數(shù)據(jù)類型。改進(jìn)模型與2種數(shù)據(jù)進(jìn)行試驗對比，結(jié)果見表3。可以清晰地看到數(shù)據(jù)集的增強，準(zhǔn)確率得到有效提升。

3.3 評估指標(biāo)分析

在本節(jié)中，基于混淆矩陣，通過精確率、召回率和F1分?jǐn)?shù)評估了每種葡萄葉片病害的識別性能。混淆矩陣作為表示精度評估的標(biāo)準(zhǔn)格式，用n行n列的矩陣形式表示。準(zhǔn)確率、召回率和F1分?jǐn)?shù)來自TP、FP、TN和FN結(jié)果的數(shù)量。由于對不同類別之間的不平衡更為敏感，因此也計算了整體精度。精確率（P）、召回率（R）和F1分?jǐn)?shù)，公式為將改進(jìn)的ResNet50模型對測試集進(jìn)行識別分類，得到葡萄病害葉片的混淆矩陣如圖12所示，可清晰地看到白粉病和霉霜病有相互識別錯誤的情況，葉斑病被識別成黑腐病。主要是由于不同病害在外界的干擾下病害特質(zhì)比較相似。所以會導(dǎo)致模型識別錯誤。

根據(jù)混淆矩陣，計算出5種類別的準(zhǔn)確率，召回率和F1分?jǐn)?shù)作為模型的評估指標(biāo)。如表4所示，通過計算所得改進(jìn)的模型平均精確率為98.29%，平均召回率為98.19%，平均F1分?jǐn)?shù)為98.23%，由此得出，改進(jìn)的模型具有較好的識別準(zhǔn)確率。

4 結(jié)論

本研究提出了一種基于改進(jìn)的殘差網(wǎng)絡(luò)的深度卷積網(wǎng)絡(luò)模型。在主通道中加入金字塔卷積方式，并使用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)的卷積層。通過試驗，發(fā)現(xiàn)改進(jìn)的模型在提取病害特征方面具有更好的性能。在學(xué)習(xí)率為0.001，使用Adam優(yōu)化器下改進(jìn)模型ResNet50識別準(zhǔn)確率達(dá)到98.20%。相比于原模型提升了3.18百分比。表明本研究方法在葡萄病害葉片識別上能獲得較好的效果，并且可以為農(nóng)戶高效識別葡萄病害提供有效的工具，還可以應(yīng)用于其他農(nóng)作物葉片和果實病害的評價。

參考文獻(xiàn)：

［1］Sellitto V M，Zara S，F(xiàn)racchetti F，et al. Microbial biocontrol as an alternative to synthetic fungicides：boundaries between pre-and postharvest applications on vegetables and fruits［J］. Fermentation，2021，7（2）：60.

［2］陳之射，陽 威. 計算機視覺及網(wǎng)絡(luò)領(lǐng)域中人工智能的運用［J］. 華東科技，2022（1）：108-110.

［3］馮 碩，李 旗. 奇異果采摘機器人機械臂控制系統(tǒng)研究：基于計算機視覺和卷積神經(jīng)網(wǎng)絡(luò)［J］. 農(nóng)機化研究，2022，44（10）：25-29.

［4］安鶴峰. 計算機視覺在作物根系識別與分析中的應(yīng)用［J］. 農(nóng)業(yè)科技與裝備，2021（4）：45-46.

［5］孫仕亮，趙 靜. 模式識別與機器學(xué)習(xí)［J］. 計算機教育，2020（11）：2.

［6］陳 榮，李 旺，周文玉. 基于形狀特征和支持向量機（SVM）的茶葉病害識別方法［J］. 貴州農(nóng)業(yè)科學(xué)，2021，49（4）：53-59.

［7］王 聃，柴秀娟. 機器學(xué)習(xí)在植物病害識別研究中的應(yīng)用［J］. 中國農(nóng)機化學(xué)報，2019，40（9）：171-180.

［8］周惠汝，吳波明. 深度學(xué)習(xí)在作物病害圖像識別方面應(yīng)用的研究進(jìn)展［J］. 中國農(nóng)業(yè)科技導(dǎo)報，2021，23（5）：61-68.

［9］孫 紅，李 松，李民贊，等. 農(nóng)業(yè)信息成像感知與深度學(xué)習(xí)應(yīng)用研究進(jìn)展［J］. 農(nóng)業(yè)機械學(xué)報，2020，51（5）：1-17.

［10］劉慧力，賈洪雷，王 剛，等. 基于深度學(xué)習(xí)與圖像處理的玉米莖稈識別方法與試驗［J］. 農(nóng)業(yè)機械學(xué)報，2020，51（4）：207-215.

［11］Boulent J，F(xiàn)oucher S，Théau J，et al. Convolutional neural networks for the automatic identification of plant diseases［J］. Frontiers in Plant Science，2019，10：941.

［12］馬浚誠，杜克明，鄭飛翔，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識別系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報，2018，34（12）：186-192.

［13］牛學(xué)德，高丙朋，南新元，等. 基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測［J］. 江蘇農(nóng)業(yè)學(xué)報，2022，38（1）：129-134.

［14］Jaisakthi S M，Mirunalini P，Thenmozhi D，et al. Grape leaf disease identification using machine learning techniques［C］//2019 International Conference on Computational Intelligence in Data Science （ICCIDS）.Chennai，India：IEEE，2019：1-6.

［15］劉 峻，孫美艷，焦中元，等. 基于全局閾值迭代的蘋果圖像分割計數(shù)方法［J］. 安徽農(nóng)業(yè)科學(xué)，2018，46（29）：180-182，186.

［16］Singh U，Srivastava A，Chauhan D，et al. Computer vision technique for detection of grape esca （black measles） disease from grape leaf samples［C］//2020 International Conference on Contemporary Computing and Applications （IC3A）.Lucknow，India：IEEE，2020：110-115.

［17］Arya S，Singh R. A comparative study of CNN and AlexNet for detection of disease in potato and mango leaf［C］//2019 International Conference on Issues and Challenges in Intelligent Computing Techniques （ICICT）.Ghaziabad，India：IEEE，2019：1-6.

［18］Chao X F，Sun G Y，Zhao H K，et al. Identification of apple tree leaf diseases based on deep learning models［J］. Symmetry，2020，12（7）：1065.

［19］Kaur M，Bhatia R.Development of an improved tomato leaf disease detection and classification method［C］//2019 IEEE Conference on Information and Communication Technology.Allahabad，India：IEEE，2019：1-5.

［20］李 彧，余心杰，郭俊先. 基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：93-100.

［21］Tahir M B，Khan M A，Javed K，et al. WITHDRAWN：recognition of apple leaf diseases using deep learning and variances-controlled features reduction［J］. Microprocessors and Microsystems，2021：104027.

［22］Zhang Q C，Bai C C，Liu Z，et al. A GPU-based residual network for medical image classification in smart medicine［J］. Information Sciences，2020，536：91-100.

［23］Zu D W，Zhang F，Wu Q L，et al. Disease identification of Lentinus edodes sticks based on deep learning model［J］. Complexity，2022，2022：9504055.[HJ2mm]

［24］龍滿生，歐陽春娟，劉 歡，等. 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識別［J］. 農(nóng)業(yè)工程學(xué)報，2018，34（18）：194-201.

［25］余小東，楊孟輯，張海清，等. 基于遷移學(xué)習(xí)的農(nóng)作物病蟲害檢測方法研究與應(yīng)用［J］. 農(nóng)業(yè)機械學(xué)報，2020，51（10）：252-258.

［26］Liu Y W，Zhang X，Gao Y X，et al. Improved CNN method for crop pest identification based on transfer learning［J］. Computational Intelligence and Neuroscience，2022，2022：9709648.

［27］Krishnamoorthy N，Prasad L，Kumar C et al. Rice leaf diseases prediction using deep neural networks with transfer learning［J］. Environmental Research，2021，198：111275.

［28］許景輝，邵明燁，王一琛，等. 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識別［J］. 農(nóng)業(yè)機械學(xué)報，2020，51（2）：230-236，253.

收稿日期：2022-04-19

基金項目：“十三五”國家重點研發(fā)計劃（編號：2017YFD0401304）；浙江省重點研發(fā)計劃（編號：2022C04039）。

作者簡介：戴久竣（1996—），男，浙江臺州人，碩士研究生，研究方向為圖像處理。E-mail：15968860545@163.com。

通信作者：吳 堅，碩士，教授，碩士生導(dǎo)師，研究方向為農(nóng)業(yè)信息學(xué)。E-mail：wujian@zust.edu.cn。