基于深度學習的輕量化農作物葉片病害識別模型

摘要：針對傳統圖像分類模型在識別農作物葉部病害過程中因計算資源消耗高昂從而難以部署于實際生產中的問題，本研究提出一種基于MobileNet v3的輕量化農作物葉片病害識別模型EDCA-MobileNet v3。首先在高效注意力機制中加入一條并行路徑，提取不同區域的通道特征信息進行編碼融合，得到新的高效雙通道注意力機制EDCA，將EDCA注意力機制嵌入到MobileNet v3網絡中的倒置殘差結構中以提高模型的跨通道信息捕獲能力；其次將原始網絡中的ReLU、Hard Swish激活函數替換為SiLU激活函數以增強模型的泛化能力；最后根據農作物葉片病害特征調整網絡結構和通道維度以降低模型計算量，刪減不必要的網絡層以抑制過擬合。結果表明，改進模型對農作物葉片病害的識別準確率達到了98.95%，較原始模型提高了2.64百分點，同時參數量下降到2.02 M，為原始模型的79.53%，權重大小僅有4.39 M，模型還在未出現過的新作物和新病害上具有較好的泛化能力。本研究模型具有高效、輕量的特點，因而適合在計算資源有限的移動設備和農機上部署，為農作物葉片病害防治與診斷提供技術支撐。

關鍵詞：農作物葉片病害；MobileNet v3；注意力機制；激活函數

中圖分類號：S126；TP391.41 文獻標志碼：A

文章編號：1002-1302（2024）16-0230-09

農業經濟是我國經濟的重要組成部分，人們生活福祉的提高和農業經濟高質量發展與農作物的健康生長息息相關。傳統的農業生產過程中，區分農作物病害的方式主要是農業從事人員依靠肉眼觀察和自身經驗來判別病害類別，這種方式不僅需要耗費大量的人力物力，還會因為主觀性而導致錯誤判斷［1-4］。農作物病害的精確識別分類是農作物生長過程中的關鍵一環，高效快速的農作物病害識別技術能夠幫助農民及時發現病害并采取措施，有助于提高農作物的產量與質量。

隨著計算機視覺技術的快速發展，卷積神經網絡（convolutional neural network，CNN）在圖像分類、圖像分割、目標檢測等方面超越了傳統機器學習方法，在農業領域得到廣泛使用。AlexNet、VGG16、ResNet50等性能優秀的卷積神經網絡被逐漸應用于農業生產中，替代傳統人力進行農作物病蟲害的自動化識別［5-9］。許景輝等通過遷移學習將VGG16卷積神經網絡應用在玉米葉片病害中，平均識別率達到95.33%［10］；鮑文霞等對ResNet網絡進行改進，在13類水稻害蟲圖像的測試數據集上達到了92.5%的識別準確率［11］。然而，隨著移動設備在農業生產中的應用與普及，傳統CNN的深層復雜結構導致其應用范圍受限。基于此，研究者使用輕量化CNN替代傳統CNN模型以解決計算成本高、難以部署等問題。Elfatimi等使用MobileNet網絡對大豆葉片病害進行分類，通過對網絡的優化與參數的調整，對大豆葉片病害分類準確率達到了92%［12］，Rahman等提出了一種新的2個階段的輕量化CNN結構，大小僅為VGG16的1%，實現了對水稻植株病害分類準確率93.3%［13］；Sun等使用類平衡損失來改進MobileNet v2網絡，并使用遷移學習策略來訓練模型，對胡平棗成熟度檢測準確率達到了99.294%［14］。孫俊等在MobileNet v2的基礎上嵌入輕量級的坐標注意力機制，在復雜背景下識別田間農作物葉片病害準確率達到了92.20%［15］。崔金榮等利用坐標注意力機制替換MobileNet v3網絡中的注意力機制，通過引入SVM多分類器來識別水稻病害，準確率高達97.12%［16］。

輕量化網絡模型在計算效率、存儲空間、實時性、部署和節能環保等方面都具有優勢，可以滿足不同場景下的農作物葉片病害的識別需求，但在識別精度和運算復雜度等方面仍有進步的空間［17］。本研究選取MobileNet v3-small網絡作為基本網絡，通過對其注意力機制、激活函數和模型架構等方面的改進，提出了輕量且高效的EDCA-MobileNet v3模型。該模型可以提高農作物葉片病害識別的準確性和穩定性，通過數據集的擴展訓練，本模型可部署于農機以及移動設備，促進各類農作物病害的防治工作以及增加農作物的經濟效益。

1 農作物葉片病害識別模型

1.1 MobileNet v3網絡介紹

MobileNet v3網絡繼承了MobileNet v1中的深度卷積和逐點卷積和MobileNet v2中的線性瓶頸和倒置殘差結構，通過使用深度可分離卷積替換普通卷積有效降低了網絡的計算量，通過使用倒殘差結構在模型中引入更多的非線性激活函數，增強了特征表示能力，同時緩解了網絡退化問題［18-19］。MobileNet v3還將壓縮與激勵（squeeze and excitation，SE）模塊應用到瓶頸結構中，根據特征通道的重要程度來區分特征的作用大小，對非重要特征進行抑制，對重要特征賦予更大的權重［20-21］。此外，MobileNet v3設計了h-swish激活函數，同時對網絡結構進行優化，以提升運算速度。最后，使用神經架構搜索技術設計了適合強算力部署的MobileNet v3-large模型和針對低資源的MobileNet v3-small模型。

1.2 高效雙通道注意力機制

通道注意力機制對于提升模型性能具有顯著效果。SE模塊通過建模通道關系來重新衡量每個通道的重要性，但是其通道降維不利于學習不同通道之間的依賴關系，且獲取所有通道之間的依賴關系是沒有必要的。高效通道注意力機制（efficient channel attention，ECA）［22］使用一維卷積實現跨通道交互，實現了通道間的依賴關系捕獲，且不改變原始通道的大小。ECA在全局平均池化后通過快速的一維卷積實現了跨通道信息的交互，后使用非線性函數Sigmoid得到各個通道的權重w，Sigmoid激活函數如式（1）所示，權重w如式（2）所示。

σ（x）=1/（1-e-x）；（1）

w=σ［C1Dk（y）］。（2）

式中：C1D表示一維卷積；k為一維卷積核大小；σ（x）為Sigmoid 函數；y為全局平均池化（global average pooling，GAP）后的輸出，具體如式（3）所示。

y=g（x）=1WH∑W，Hi=1，j=1xij。（3）

式中：x∈RW×H×C為輸入特征；W、H、C分別為輸入特征的寬、高、通道數。

針對農作物葉片病害數據類內差異小和分布不均勻的特點，使用ECA替換MobileNet v3網絡中的SE模塊能夠有效提高模型的性能，其關鍵在于ECA注意力機制中的一維卷積能夠實現通道之間的信息交互，一維卷積核的大小則決定了信息交互的覆蓋范圍。受到坐標注意力機制（coordinate attention，CA）中將通道注意力分解為2個方向上的并行路徑方法啟發［23］，本研究提出了高效雙通道注意力機制（efficient dual channel attention，EDCA），旨在增加微量計算的條件下增加通道特征捕捉的能力。EDCA在ECA的基礎上增加了1條不同k值的一維卷積并行路徑，不同k值提取到不同范圍的通道信息，將2個不同的通道特征信息通過通道級聯運算進行特征聚合，形成新的雙通道特征提取模式，融合后的權重w′如式（4）所示。

w′={ReLU［C1Dk1（y）］，ReLU［C1Dk2（y）］}。（4）

式中：k1和k2表示路徑1和路徑2的一維卷積核大小；ReLU表示使用ReLU激活函數；{，}表示通道級聯運算，即使用concat函數融合具有不同權重信息的通道參數［24］，再使用Sigmoid函數將融合后的通道特征輸出映射到0～1的范圍間，進而表示通道的重要性。最后使用split函數進行通道拆分，使融合信息還原到輸入信息大小。EDCA結構見圖1。

1.3 SiLU激活函數

激活函數能夠在神經網絡中引入非線性，增強網絡的表達能力，并對神經元的激活程度進行控制。本研究模型中選擇SiLU函數［25］作為激活函數，其與其他常用激活函數的圖像見圖2，數學表達式如式（5）至（7）所示。與h-swish激活函數和ReLU激活函數相比，由于SiLU激活函數是連續可導的，因而在梯度傳播和優化過程中更加穩定。在輸入接近于零的情況下，SiLU激活函數近似于線性函數，這使得它在這種情況下更接近于恒等映射，有助于保留更多的農作物葉片病害信息。同時，SiLU具有更好的梯度傳播性質，這有助于減輕梯度消失問題，更好地支持深層神經網絡的訓練。

h-swish（x）=x·ReLU6（x+3）6；（5）

SiLU（x）=x1+ex；（6）

ReLU（x）=max（0，x）。（7）

1.4 模型架構調整

深度學習中的升維操作是為了在高維進行特征提取， 以便能提取更豐富的特征信息［26］。MobileNet v3中大量使用了通道維度的膨脹與收縮，其中1×1卷積核主要用來進行維度變換，3×3和5×5卷積核用于特征提取。 MobileNetv3-small的網絡結構是通過NAS技術針對ImageNet數據集［27］而設計的，該數據集包含約1 400萬張圖像，遠多于本研究中的數據。雖然通道維度的增加可以使卷積模塊捕捉到更廣闊的視野和特征，但在實際設計中需要考慮模型具體的應用場景，在保證模型精度的前提下選擇適宜的通道數，這不僅可以避免不必要的算力占用，而且能夠抑制過擬合現象的出現，有助于提升模型的泛化能力。

MobileNet v3-small中有通道維度為240和576的卷積層重復堆疊了2次，本研究根據農作物葉片病害識別的特點，將通道維度從576調整為288，將末位卷積層輸出通道由1 024改為576。在卷積神經網絡中，1個5×5卷積核所帶來的參數量和計算量大于2個3×3卷積核，因此將2個通道維度重復的5×5卷積層換成4個3×3卷積層可以有效降低運算量。針對網絡的深度過深會面臨梯度消失、訓練困難的問題［28］，將4個3×3卷積層堆疊次數減少一半，僅堆疊2次。最后調整網絡層排列方式，使得模型可以捕捉到不同維度、不同大小的特征。通過以上調整，使模型在保證分類效果的同時還能減少一定的參數及內存，更符合輕量化的特點。

1.5 EDCA-MobileNet v3模型

農作物葉片病害數據集具有背景相似度高、病害特征相似、數據集分布不均勻等特點，整體識別難度較高。為了提高模型效率，首先將MobileNet v3卷積模塊中的SE模塊替換為EDCA模塊；其次，將原模型中的h-swish激活函數和ReLU激活函數替換為SiLU激活函數；最后調整模型架構。EDCA-MobileNet v3模型的整體結構見圖3。

2 試驗及結果分析

2.1 數據集介紹

本試驗選取了Plant Village數據集中的包含病害種類最多的番茄病害葉片圖像作為研究數據集，共計18 160張，其中包含常見的番茄病害葉片以及健康葉片，共計10個類別。數據集部分圖像見圖4。

2.2 試驗環境

本研究于2023年8—11月在貴州大學大數據與信息工程學院試驗室進行試驗。硬件環境為Intel Core i7-9700K處理器，NVIDIA RTX 2080ti顯卡；軟件版本為Windows 10操作系統，CUDA版本為11.8，深度學習框架為Pytorch 2.0.1。試驗時，根據工程經驗，隨機抽取數據集中的80%的圖片作為訓練集，剩余的圖片10%作為驗證集，10%作為測試集，得到14 532張訓練圖片、1 816張驗證圖片以及1 816張測試圖片。通過隨機水平翻轉和數據標準化增加訓練圖像的隨機多樣性，以此增加了病害樣本的隨機多樣性，使用Adam［29］優化器進行訓練，批次大小設置為64，學習率為0.001，迭代次數為50，損失函數為交叉熵損失函數。

2.3 模型評價指標

本研究使用模型在農作物葉片病害數據集測試集上的準確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1分數衡量模型的性能，并且使用模型參數量、浮點計算量和模型權重作為模型復雜度的衡量指標［30］。準確率、精確率、召回率和F1分

數的表達式分別如式（8）至（11）所示。

Accuracy=1N∑Mm=1xm×100%；（8）

Precision=TPTP+FP×100%；（9）

Recall=TPTP+FN×100%；（10）

F1=2×Precision×RecallPrecision+Recall×100%。（11）

式中：N為測試集中農作物葉片病害的圖像總數；xm表示第m類的農作物葉片病害圖像中被正確識別的圖像數量；TP表示測試圖像中農作物葉片病害種類被正確識別為對應種類的圖像數量；FP表示測試圖像中其他農作物葉片病害種類被錯誤識別為該品種的圖像數量；FN表示測試圖像中該農作物葉片病害種類被錯誤識別為其他品種的圖像數量。

2.4 測驗結果與分析

為了驗證改進模型的有效性，本研究選取了番茄10類葉片進行訓練與測試。其中測試集包含褐斑病213例、早疫病100例、晚疫病191例、葉霉病95例、斑枯病177例、白粉病140例、黃化病536例、花葉病37例、紅蜘蛛病168例以及健康葉片159例共10類1 816幅圖像。改進的EDCA-MobileNet v3模型在測試集上的試驗詳細結果見表1。

由表1可知，EDCA-MobileNet v3對測試集中的番茄病害葉片實現了準確的品種識別。整體準確率為98.95%，精確率為98.33%，召回率為98.76%，F1分數為98.47%。從整體看，對于測試集包含的1 816幅圖像，模型準確識別了其中的 1 797 幅。健康番茄葉片的特征明顯較其他類別更容易識別，識別精確率達到了100%；而番茄花葉病由于訓練樣本較少的原因，識別精確率最低，F1分數最低。

2.5 注意力機制對模型的性能影響

將本研究中提出的EDCA與SE、CA注意力機制進行對比，所有注意力機制均插入到MobileNet v3模型中的線性瓶頸前，其他參數保持不變，試驗結果見表2。對于農作物葉片病害圖像而言，加入坐標注意力機制并不能帶來更好的效果。相比之下，k值是影響高效通道注意力機制性能的關鍵參數，將k值設置為3的效果最好，性能略高于SE機制，隨著k值的增大，整體效果呈現下降趨勢。考慮到k為3和5時ECA的性能較好，因此將EDCA注意力機制中雙線性路徑中的一維卷積核大小k1和 k2分別設置為3和5，可以更好地實現通道間的信息捕獲。對比在模型中引入的CA注意力機制，引入本研究提出的EDCA注意力機制，在參數量和浮點運算量占優的同時實現了模型的準確率提升。

2.6 激活函數對模型性能的影響

將MobileNet v3模型中的ReLU激活函數和 h-swish 激活函數替換為SiLU，除激活函數外，其他參數均保持不變，試驗結果見表3。可以看出，相比于原始模型中淺層使用ReLU，深層使用h-swish的策略，改動ReLU激活函數和h-swish激活函數均對模型準確度有一定的提升，將激活函數全都替換為SiLU激活函數后模型的準確率提升了1.81百分點。

2.7 消融試驗結果

消融試驗是為了探究使用EDCA注意力機制、SiLU激活函數和架構調整的改進方式對原始模型帶來的性能影響，消融試驗結果見表4。可以看出，在MobileNet v3中增加EDCA 注意力機制，得益于重要信息的捕獲能力增強，模型在農作物葉片病害測試集上的準確率提升了1.37百分點，在提高準確率的同時還略微減少了模型的參數量。使用SiLU替換h-swish和ReLU，得益于SiLU函數的穩定性，模型在保持參數量和浮點計算量不變的情況下，模型準確率提升了1.81百分點。綜合EDCA、SiLU激活函數和架構上的改進，MobileNet v3在農作物葉片病害測試集上的性能提升較大，準確率上升了2.64百分點，參數量減少了0.52 M，計算量減少了11.02 M。為了更直觀地展示本研究提出的EDCA-MobileNet v3模型的有效性，使用混淆矩陣對數據進行直觀對比，結果見圖5。其中子圖（A～D）分別對應表4中的第2、4、3、5行。可以看出，原模型經過修改激活函數和修改注意力機制后識別效果均有一定提升，對各類病害類別預測準確率更高，結合3種改進后，效果最好。

2.8 不同模型試驗對比

ResNet50和VGG16是圖像分類任務中代表性的大型卷積神經網絡，ShuffleNet v2和MobileNet v2是性能出色的輕量級網絡。為了綜合驗證本試驗提出的模型性能，將本研究提出的EDCA-MobileNet v3與以上網絡進行對比試驗，使用模型在農作物葉片病害測試集上的準確率評估識別效果；使用參數量和權重大小評估模型的復雜度和實用性，所有試驗均保持相同的超參數，試驗結果見表5。可以看出，ResNet50和VGG16雖然性能較為出色，但其模型較大的參數量需要耗費大量內存空間與計算資源，不利于在移動設備上部署；ShuffleNet v2的參數量和計算量較MobileNet v2都更具優勢，但不如本研究提出的EDCA-MobileNet v3。相比與未改進前的MobileNet v3模型，改進的 EDCA-MobileNet v3準確率達到98.95%，參數量僅為2.02 M，權重僅為4.39 M，在提高識別準確率的同時降低了模型復雜度，并增強了其實用性。

2.9 模型泛化能力測試

不同農作物葉片感染同類病害時，雖然葉片特征差異較大，但病害特征相似。為測試EDCA-MobileNet v3的泛化性能，觀察其對訓練集中未出現過的作物病害的識別能力，通過網絡爬取及數據增強構建了包含180張圖像的泛化能力測試集，其中包括馬鈴薯晚疫病60張，辣椒斑枯病40張，花椒褐斑病40張，花椒銹病40張，部分識別圖像見圖6，識別結果見表6。

可以看出，模型對訓練集中未出現過的作物及其病害，整體識別準確率可以超過70%。一方面，對于訓練集中出現過的病害類型，雖然模型沒有學習過新作物的葉片特征，但仍能夠具備較強的預測精度，這表明模型能夠準確捕捉并分辨不同病害的關鍵特征，而不會被處于背景的葉片形狀所影響，因而具備較好的泛化能力。另一方面，對于訓練集中未出現過的病害類型，由于數據集內并未涵蓋該病害標簽，因而識別結果會與真實結果不同，但模型依然能將大部分樣本標注為同一類別。例如對訓練集中未出現過的花椒作物的銹病這一病害類型，模型可將大部分樣本識別為褐斑病，小部分樣本識別為枯斑病，這進一步證明了模型具有較強的泛化特征，能夠直接對未知樣本做出比較準確的預測，但需要對數據的類別標簽進行對應的修正。以上結果說明本研究提出的模型可應用于不同作物以及不同病害的識別，要進一步提升識別精度，可將本模型在相應農作物葉片病害數據集上進行訓練，對模型參數進行微調。

3 總結

本研究針對農作物葉片病害識別的問題，提出了EDCA-MobileNet v3模型。首先在ECA的基礎上增加了1條并行路徑，融合不同區域的通道信息得到EDCA注意力機制，并以其替換MobileNet v3-small網絡中的SE模塊，使模型具備更高效的特征表達能力；其次使用SiLU替換原模型的激活函數，增強網絡模型的識別性能與泛化能力；最后簡化了網絡架構，降低了模型復雜度與過擬合傾向。試驗結果表明，EDCA-MobileNet v3對番茄葉片病害的識別準確率達到98.95%，F1分數為98.47%，對新作物和新病害的識別準確率超過70%，同時參數量僅有2.02 M，權重大小僅4.39 M。與經典的卷積神經網絡相比，本模型識別效果更好，模型權重更小，泛化能力更強。通過數據集的補充和參數微調，本模型可廣泛適用于各類農作物的葉片病害識別，為農業生產的數字化和智能化提供技術支持。

參考文獻：

［1］Nigam S，Jain R，Marwaha S，et al. Deep transfer learning model for disease identification in wheat crop［J］. Ecological Informatics，2023，75：102068.

［2］Wang R M，Wu L A. Drought-tolerant crop disease identification based on attention mechanism［C］//2023 IEEE 6th Information Technology，Networking，Electronic and Automation Control Conference （ITNEC）.Chongqing：IEEE，2023：1139-1143.

［3］Zhao S Y，Peng Y，Liu J Z，et al. Tomato leaf disease diagnosis based on improved convolution neural network by attention module［J］. Agriculture，2021，11（7）：651.

［4］Dhakshina Kumar S，Esakkirajan S，Bama S，et al. A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier［J］. Microprocessors and Microsystems，2020，76：103090.

［5］Sunil C K，Jaidhar C D，Patil N. Systematic study on deep learning-based plant disease detection or classification［J］. Artificial Intelligence Review，2023，56（12）：14955-15052.

［6］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60（6）：84-90.

［7］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2014-09-04）［2024-01-08］. https：//arxiv.org/abs/1409.1556.

［8］楊 祥，段軍明，董明剛.面向移動端的植物病害圖像識別方法及其應用［J］. 江蘇農業科學，2023，51（4）：191-197.

［9］李子涵，周省邦，趙 戈，等. 基于卷積神經網絡的農業病蟲害識別研究綜述［J］. 江蘇農業科學，2023，51（7）：15-23.

［10］許景輝，邵明燁，王一琛，等. 基于遷移學習的卷積神經網絡玉米病害圖像識別［J］. 農業機械學報，2020，51（2）：230-236，253.

［11］鮑文霞，吳德釗，胡根生，等. 基于輕量型殘差網絡的自然場景水稻害蟲識別［J］. 農業工程學報，2021，37（16）：145-152.

［12］Elfatimi E，Eryigit R，Elfatimi L. Beans leaf diseases classification using MobileNet models［J］. IEEE Access，2022，10：9471-9482.

［13］Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.

［14］Sun H X，Zhang S J，Ren R，et al. Maturity classification of “hupingzao” jujubes with an imbalanced dataset based on improved MobileNet v2［J］. Agriculture，2022，12（9）：1305.

［15］孫 俊，朱偉棟，羅元秋，等. 基于改進MobileNet v2的田間農作物葉片病害識別［J］. 農業工程學報，2021，37（22）：161-169.

［16］崔金榮，魏文釗，趙 敏. 基于改進MobileNet v3的水稻病害識別模型［J］. 農業機械學報，2023，54（11）：217-224，276.

［17］Atila ，Uar M，Akyol K，et al. Plant leaf disease classification using EfficientNet deep learning model［J］. Ecological Informatics，2021，61：101182.

［18］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. （2017-04-17）［2024-01-08］. https：//arxiv.org/abs/1704.04861.

［19］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.

［20］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul：IEEE，2019：1314-1324.

［21］Hu J，Shen L，Albanie S，et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-2023.

［22］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle：IEEE，2020：11531-11539.

［23］Hou Q B，Zhou D Q，Feng J S. Coordinate attention for efficient mobile network design［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Nashville：IEEE，2021：13708-13717.

［24］邢永鑫，吳碧巧，吳松平，等. 基于卷積神經網絡和遷qsD3zAbx8lFu90Yl9mJ+TYBMhhFT9ZPtyg/+cDunzOo=移學習的奶牛個體識別［J］. 激光與光電子學進展，2021，58（16）：1628002.

［25］Elfwing S，Uchibe E，Doya K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning［J］. Neural Networks，2018，107：3-11.

［26］Lu Z，Pu H，Wang F，et al. The expressive power of neural networks：a view from the width［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook：Curran Associates Inc.，2017：6232-6240.

［27］Deng J，Dong W，Socher R，et al. ImageNet：a large-scale hierarchical image database［C］//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami：IEEE，2009：248-255.

［28］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［EB/OL］. （2020-09-11）［2024-01-08］. https：//arxiv.org/abs/1905.11946v5.

［29］Kingma D，Ba J. Adam：a method for stochastic optimization［EB/OL］. （2017-01-30）［2024-01-01］. https：//arxiv.org/pdf/1412.6980v6.

［30］甘 雨，郭慶文，王春桃，等. 基于改進EfficientNet模型的作物害蟲識別［J］. 農業工程學報，2022，38（1）：203-211.

基金項目：貴州省科技計劃［編號：黔科合支撐（2021）一般176］。

作者簡介：周江龍（2000—），男，貴州六盤水人，碩士研究生，研究方向為機器學習、智能圖像處理。E-mail：972203274@qq.com。

通信作者：王天一，博士，副教授，研究方向為深度學習、大數據與人工智能。E-mail：tywang@gzu.edu.cn。