基于改進行錨分類的快速葡萄葉片病害檢測算法

摘要：在葡萄生產過程中，葉片病害的及時檢測對于保障產量和品質至關重要。然而，傳統的檢測方法不僅耗時且勞力密集，而且往往受限于人為因素，導致檢測準確率不高且效率低下。針對現有葡萄葉片病害檢測模型準確率低、花費時間長等問題，本研究提出了一種基于改進行錨分類的快速葡萄葉片病害檢測算法，以減少現有方法的時間消耗和人為誤差，提高葡萄生產的整體質量和效率。首先，設計了一個特征蒸餾網絡，該網絡通過自注意力精煉機制有效提升了對葡萄葉片病害特征的提取能力。其次，采用行錨分類方法替代了傳統的錨框分類，更精確地識別葡萄葉片上的病害行。最后，引入非局部注意力機制，進一步增強了對病害位置的預測能力。試驗結果表明，本研究方法在葡萄葉片病害數據集上表現出較高的檢測精度和速度，達到了92.4%的檢測準確率和36.8幀/s的檢測速度，充分證明了本研究算法的有效性和實用性。為葡萄生產中的病害檢測提供了一種高效、可靠的新技術方案，具有廣泛的應用潛力和重要的經濟價值。

關鍵詞：葡萄；葉片病害；特征蒸餾；行錨；非局部注意力

中圖分類號：TP391.41" 文獻標志碼：A

文章編號：1002-1302（2024）23-0206-08

王" 俏，張" 彪，劉" 鑫. 基于改進行錨分類的快速葡萄葉片病害檢測算法［J］. 江蘇農業科學，2024，52（23）：206-213.

doi：10.15889/j.issn.1002-1302.2024.23.028

收稿日期：2023-12-22

基金項目：國家自然科學基金（編號：62303204）；山東省自然科學基金（編號：ZR2021QF036）。

作者簡介：王" 俏（1983—），女，山東淄博人，碩士，副教授，研究方向為計算機應用技術、人工智能。E-mail：wangqiao198310@163.com。

通信作者：張" 彪，博士，副教授，研究方向為人工智能、智能優化調度。E-mail：zhangbiao@lcu-cs.com。

葡萄是世界上最重要的果樹之一，具有很高的經濟價值和社會效益。葡萄葉片病害是影響葡萄生長和品質的主要因素之一，嚴重危害葡萄產業的發展［1-3］。因此，及時準確地檢測葡萄葉片病害對于提高葡萄的產量和質量、降低農藥的使用量和成本、保護生態環境和人類健康具有重要意義［4-6］。

傳統的葡萄葉片病害檢測方法主要依賴于人工觀察和判斷，這種方法不僅耗時耗力，而且受到人為因素的影響較大，如專業知識、經驗、視力、疲勞程度等，導致檢測結果存在主觀性和不穩定性［5-7］。隨著計算機視覺和深度學習技術的發展，利用圖像處理和機器學習的方法進行葡萄葉片病害檢測成為了一種有效的替代方案［8］。這種方法可以利用大量的葡萄葉片圖像數據，自動提取葡萄葉片病害的特征，實現葡萄葉片病害的分類和定位，提高檢測的準確率和效率［9-11］。

目前，基于圖像處理和機器學習的葡萄葉片病害檢測方法主要分為2類：基于傳統機器學習的方法和基于深度學習的方法［12］。基于傳統機器學習的方法通常需要人工設計和選擇合適的特征，如顏色、紋理、形狀等，然后利用分類器（如支持向量機、隨機森林、K近鄰算法等）進行葡萄葉片病害的分類［13-15］。這種方法的缺點是特征的設計和選擇依賴于人工經驗和先驗知識，難以適應不同的葡萄葉片病害類型和圖像條件，且特征的表達能力有限，難以捕捉葡萄葉片病害的細微差異。

基于深度學習的方法則利用神經網絡［如卷積神經網絡（CNN）、循環神經網絡（RNN）、注意力機制等］，自動地從葡萄葉片圖像中學習葡萄葉片病害的特征，實現葡萄葉片病害的分類和定位［16-18］。黃英來等提出了一種改進輕量卷積網絡模型，用于提高葡萄葉片病害圖像分類的準確率和效率［19］。賈璐等設計了一個新的網絡模型MANet，能夠準確識別復雜環境下的葡萄病害，其平均識別準確率為99.65%，優于其他模型［20］。戴久竣等改進殘差網絡，用于葡萄葉片病害識別中，其識別準確率達到98.20%，比原模型提高了3.18百分點［21］。上述方法的優點是特征的提取和選擇無需人工干預，能夠適應不同的葡萄葉片病害類型和圖像條件，且特征的表達能力強，能夠捕捉葡萄葉片病害的細節和變化。

然而，基于深度學習的葡萄葉片病害檢測方法也存在一些問題，主要有以下幾個方面：（1）葡萄葉片病害的特征提取不充分。由于葡萄葉片病害的形態和顏色多樣，且受到光照、遮擋、噪聲等因素的干擾，導致葡萄葉片病害的特征提取難度較大，需要更深層次和更細粒度的特征表示。（2）葡萄葉片病害的分類和定位不精確。由于葡萄葉片病害的分布不均勻，且存在多種病害共存的情況，導致葡萄葉片病害的分類和定位難以準確劃分，需要更靈活和更魯棒的分類和定位方法。（3）葡萄葉片病害檢測的速度慢。由于葡萄葉片病害檢測需要處理大量的葡萄葉片圖像數據，且需要進行多階段的特征提取、分類和定位，導致葡萄葉片病害檢測的速度較慢，需要更高效和更簡潔的檢測算法。針對上述問題，本研究提出了一種基于改進行錨分類的快速葡萄葉片病害檢測算法。該算法主要創新點包括以下3個方面：設計一種特征蒸餾網絡（FDN），利用多尺度特征融合和自注意力精煉機制，提高了特征提取的質量和效率。通過構造教師和學生網絡，實現了特征之間的互相學習和優化；利用行錨分類方法思想，在不同尺度上生成行錨，代替傳統的錨框，實現了對葡萄葉片病害行的分類。通過對行錨進行篩選和排序，減少了誤檢和漏檢的情況；設計非局部注意力機制的葡萄葉片病害位置預測模塊，引入非局部注意力機制，增強了對葡萄葉片病害位置的預測能力。通過對每個行錨內的像素進行分類，得到了更準確的葡萄葉片病害位置。

1" 基于改進行錨分類的快速葡萄葉片病害檢測

1.1" 整體框架

本研究網絡架構由殘差網絡骨干［22］、FDN以及葡萄葉片病害位置預測模塊構成，如圖1所示。其中，殘差網絡負責特征編碼，FDN用于多尺度特征的融合，而葡萄葉片病害位置預測模塊則利用非局部注意力機制和全連接層進行葡萄葉片病害位置的預測。

具體操作過程中，殘差網絡先輸出各層深度下的特征圖F1，…，F4。接著，FDN通過標準卷積、下采樣和上采樣操作進行特征融合。其中，標準卷積通過1×1的卷積核來降低特征圖F1，…，F4的通道數，并通過分組卷積方法融合特征圖I1，…，I4，同時利用最大池化和雙線性插值方法實現降維和升維。這樣的設計使網絡可以在深層學習豐富的上下文信息，從而更準確地識別出葡萄葉片病害特征。

在特征解碼階段，運用非局部注意力機制［23］對特征進行處理，這種機制包含4個1×1的標準卷積層，旨在以少量的計算獲取葡萄葉片病害的全局信息。同時，通過全連接層和相關操作進行行錨分類，以預測葡萄葉片病害的具體位置。在這一步中，全連接層負責預測葡萄葉片病害的具體分類，而 reshape 函數則被用于改變張量的尺寸。

本研究算法的網絡結構參數設置見圖2。網絡由多個特征編碼階段組成，每個階段包含n個殘差模塊，殘差模塊的參數為卷積核k、步幅s、邊緣填充p和通道數c。

1.2" 特征蒸餾網絡

為了在目標檢測中同時利用深層特征的語義信息和淺層特征的空間信息，提出了一種FDN架構，將不同層次的特征圖進行有效的融合。具體來說，FDN首先將高層特征圖通過分組卷積操作上采樣到與低層特征圖相同的分辨率，然后將兩者進行逐元素相加，得到一個融合后的特征圖。接著，FDN再將融合后的特征圖通過分組卷積操作下采樣到與高層特征圖相同的分辨率，再次進行逐元素相加，得到另一個融合后的特征圖。這樣，FDN就實現了從低層到高層，再從高層到低層的雙向特征傳遞，使得每個尺度的特征圖都能夠獲得更豐富的信息。FDN的前向推理過程可以用以下公式表示：

Ii=Conv（Fi）；（1）

Mi=GConvα×Ii+β×resize（Mi+1）α+β；（2）

Oi=GConvα×Ii+β×Mi+λ×resize（Oi-1）α+β+λ。（3）

式中：Conv表示卷積層；GConv表示分組卷積層；Fi、Mi+1、Oi-1分別表示第i層的特征圖、第i+1層的中間輸出和第i-1層的最終輸出；Ii、Mi、Oi分別表示第i層的卷積輸出、第i層的分組卷積輸出和第i層的最終輸出；α和β用于調節輸入之間權重的系數；λ用于調節殘差連接的系數；resize是用于調整張量尺寸的函數。此外，采用分組卷積層來實現多尺度的特征整合，這樣可以減少網絡前向傳播的計算

量，提高檢測速度。分組卷積層的計算過程如圖3所示。

1.3" 葡萄葉片病害位置預測模塊

為提升檢測速度，使用行錨分類法［24］來檢測葡萄葉片病害。設圖像中最多有C個葡萄葉片病害，行錨數為h，每個行錨分成n個位置網格，如圖4所示。位置類別預測的公式如下：

LOijk=fij（XO）。（4）

式中：i∈［1，C］，j∈［1，h］，k∈［1，n+1］；LOijk是n+1維向量；fij（·）是第j個行錨上每個網格屬于葡萄葉片病害i位置的分類器；XO是經過非局部注意力機制處理的FDN的輸出特征O4；k∈［1，n+1］表示行錨的n個位置網格和1個背景網格。

行錨和網格數量一般遠小于圖像尺寸，即hlt;lt;H、nlt;lt;W。圖像分割要計算（C+1）×W×H，而行錨分類只要計算C×（n+1）×h，所以行錨分類可以大幅降低網絡計算量，提升檢測速度。根據行錨分類預測的位置類別LOijk，用argmax 函數就能得到葡萄葉片病害位置：

Pij=argmaxkLOijk，k∈［1，n+1］。（5）

預測時，可能有多個位置網格都是葡萄葉片病害位置的最大概率，這樣利用公式（5）就不能準確找到葡萄葉片病害位置。為了解決這個問題，本研究使用位置期望的方法來近似病害位置，得到更精確的葡萄葉片病害位置。首先用softmax 函數算出每個網格類別是葡萄葉片病害位置的概率，公式如下：

pijk=exp（LOijk）∑nk=1exp（LOijk）。（6）

其中，pijk是每個網格是葡萄葉片病害位置的概率；k∈［1，n］表示忽略背景網格，只計算位置期望。

由公式（6）可得，葡萄葉片病害位置的期望公式如下：

Pij=∑nk=1k·pijk。（7）

在考慮到行錨分類需要全局信息來檢測葡萄葉片病害，以及大感受野CNN需要捕獲長距離的葡萄葉片病害全局信息的限制，因此引入了非局部注意力機制來構建特征和特征圖之間的關系，提高葡萄葉片病害位置預測的精度，而計算成本相對較低。非局部注意力機制的結構圖如圖5所示，數學表達式如下：

XO=Convexp（QT·K）∑i∈CQexp（QT·K）·VTT+O4。（8）

式中：Q、K、V表示輸入特征圖O4經過3個不同的 1×1 標準卷積層運算后得到的對應輸出特征圖。Q、K、V的維度分別為CO×H×W、CK×H×W、CV×H×W，其中CO=CK=CV=C/8，C是輸入特征圖O4的通道數，H和W是輸入特征圖O4的高度和寬度；CQ表示在當前查詢向量Q下，所有可能的病害位置。

1.4" 網絡訓練

為了讓網絡能夠學習到更好的葡萄葉片病害特征，本研究在FDN 中引入了自注意力精煉的方法。具體來說，將FDN 的輸入特征Im視為學生網絡需要學習的知識，將輸出特征Om視為教師網絡已經掌握的知識，然后使用均方誤差函數來衡量兩者之間的自注意力精煉損失，如下所示：

ζsad=∑4m=1［softmax（∑Cmi=1Im，i）-softmax（∑Cmi=1Om，i）］2。（9）

式中：Im，i表示通道維度中Im的第i個切片；Cm為特征圖的通道數。

其次，采用了一種利用教師的預測值作為軟標簽的方法，來進一步提升學生網絡的特征學習能力。具體來說，使用KL 散度函數來度量教師網絡和學生網絡之間的自知識精煉損失，如下所示：

ζskd=softmax（LIijk）·log2softmaxLIijkLOijk。（10）

式中：LOijk和LIijk分別為教師和學生的葡萄葉片病害位置類別預測結果。

為了使行錨的位置類別預測方法更準確地檢測葡萄葉片病害的位置，使用交叉熵函數來計算預測結果和真實標簽之間的多分類損失，如下所示：

ζOcls=∑n+1k=1Tij·ln（LOijk）+（1-Tij）·ln（1-LOijk）。（11）

式中：Tij為葡萄葉片病害位置類別標簽。現將葡萄葉片病害位置類別預測的偏移量定義為葡萄葉片病害結構，則結構損失可使用L1范數函數定義為

ζstr=∑Ci=1∑h-1j=1‖POij，1：n+1，POi，j+1，1：n+1‖1。（12）

綜上所述，在訓練過程中本研究算法的總損失計算如下：

ζ=ζOcls+α（ζsad+ζskd）+β·ζstr。（13）

式中：α和β是平衡各損失計算的權重系數，均設置為0.1。

2" 試驗設計與結果分析

2.1" 試驗環境與數據集

本研究在2023年12月于山東農業大學作物生物學國家重點實驗室進行。試驗平臺使用了以下的軟硬件環境：操作系統是Window 10，處理器是Intel CoreTM i7-12700H 2.30 GHz，顯卡是GeForce RTX 2050，顯存大小是6 GB。軟件方面，使用了Anaconda、CUDA 11.4.0和Pytorch 1.9.1作為深度學習框架。

本研究使用了無人機巡檢圖片作為原始數據集，其中包括3 000 張健康葡萄葉片圖片和800 張葡萄葉片病害圖片。使用labelImg工具對圖片進行標注，然后為了解決葡萄葉片病害圖片數量不足的問題，對其進行了鏡像和旋轉等數據增強，得到了 1 600 張葡萄葉片病害圖片。最后，將4 600 張圖片分為訓練集和測試集，用于本研究算法的驗證部分實例見圖6。

2.2" 試驗參數和流程設置

本研究模型的超參數設置見表1，模型訓練流程見圖7。

2.3" 試驗評價指標

為了評估目標檢測模型的性能，本研究使用了以下幾個指標：準確率（P）、召回率（R）、平均精度均值（mAP）和檢測速度［每秒處理幀數（FPS）］。它們的計算公式如下：

P=NTP/（NTP+NFP）×100%；（14）

R=NTP/（NTP+NFP）×100%；（15）

mAP=（∑oi=1Ai）/o，A=∫10P（R）dR；（16）

FPS=1/tavg。（17）

其中：NTP和NFP是正確識別和錯誤識別的樣本數；NFP是漏檢的樣本數；P是檢測正確的樣本占檢測出的樣本的比例；R是檢測出的樣本占所有樣本的比例；o是模型設定的類別數，這里取o=2，對應葡萄葉片病害部位；tavg是檢測1張圖片所花費的平均時間。

2.4" 試驗結果

2.4.1" 算法性能對比與分析

為了驗證本研究方法的有效性，在相同的試驗環境下，將本研究的改進方法與SSD、Faster R-CNN、YOLO v5等常用的目標檢測模型進行對比試驗，并測試了葡萄葉片病害識別的精度和速度等評價指標。試驗結果見表2。可以看出，本研究方法在所有的指標上都表現得最好，說明它具有較高的檢測質量和速度。在P指標上比SSD高了10百分點，比Faster R-CNN高了3.9百分點，比YOLO v5高了1.8百分點，說明本研究方法可以更準確地識別出葡萄葉片病害的缺陷位置，減小了誤檢的概率。在R指標上比SSD高了

11.0百分點，比Faster R-CNN高了6.4百分點，比YOLO v5高了3.6百分點，這說明本研究方法可以更全面地覆蓋所有的葡萄葉片病害樣本，減少了漏檢的情況。在mAP指標上比SSD高了11.0百分點，比Faster R-CNN高了6.4百分點，比YOLO v5高了3.2百分點，說明本研究方法可以更穩定地保持高水平的檢測性能，不受不同難度級別和場景變化的影響。在檢測速度指標上比SSD快了12.3幀/s，比Faster R-CNN快了3.2幀/s，比YOLO v5快了15.1幀/s，說明本研究方法可以更快地處理圖像數據，提高了檢測的實時性和效率。

不同模型在試驗中的收斂性情況見圖8。可以看出本研究方法在收斂性方面優于SSD、Faster R-CNN和YOLO v5 3種常用的目標檢測模型，說明本研究方法具有較強的學習能力和適應性。

2.4.2" 消融試驗

為進一步驗證本研究模型的有效性，設置3組消融試驗，結果見表3。消融試驗的步驟是：

從本研究方法中移除特征蒸餾網絡，只使用基礎網絡進行特征提取，得到消融模型1。

從本研究方法中移除行錨分類方法，使用傳統的錨框進行目標檢測，得到消融模型2。

從本研究方法中移除非局部注意力機制的葡萄葉片病害位置預測模塊，只使用簡單的回歸層進行位置預測，得到消融模型3。

在相同的試驗環境和數據集下，分別測試本研究方法和3個消融模型在葡萄葉片病害檢測任務上的性能，使用P、R、mAP和檢測速度4個指標進行評價。

比較本研究方法和消融模型1，可以看出特征蒸餾網絡對葡萄葉片病害特征提取的質量和效率有顯著的提升作用。特征蒸餾網絡可以利用多尺度特征融合和自注意力精煉機制，增強了特征之間的互補性和表達能力。通過構造教師和學生網絡，可以實現特征之間的互相學習和優化。特征蒸餾網絡使本研究方法在P上提高了3.7百分點，在R上提高了5.5百分點，在mAP上提高了5.5百分點，在檢測速度上提高了2.3幀/s。比較本研究方法和消融模型2，可以看出行錨分類方法對葡萄葉片病害行的分類有明顯的優勢。行錨分類方法可以在不同尺度上生成行錨，代替傳統的錨框，減少了誤檢和漏檢的情況。行錨分類方法使本研究方法在P上提高了3.0百分點，在R上提高了4.1百分點，在mAP上提高了4.1百分點，檢測速度提高了4.0幀/s。比較本研究方法和消融模型3，可以看出非局部注意力機制的葡萄葉片病害位置預測模塊對葡萄葉片病害位置的預測能力有顯著的增強作用。非局部注意力機制可以捕捉圖像中不同區域之間的長距離依賴關系，提高了位置預測的精度和魯棒性。非局部注意力機制使本研究方法在P上提高了1.6百分點，在R上提高了2.4百分點，在mAP上提高了2.4百分點，在檢測速度上提高了1.6幀/s。綜上所述，本研究方法中的3個主要模塊都對葡萄葉片病害檢測性能有正向的影響，說明本研究方法是有效的。

2.4.3" 檢測算法可視化

以白腐病為例，可視化不同模型的病害檢測效果，進而直觀驗證本研究模型的優勢。由圖9可知，SSD和YOLO v5 的檢測結果較差，它們沒有檢測出白腐病的位置，只是將整個葉片作為1個目標。這可能是因為白腐病的面積較小，而這2種算法對小目標的檢測能力較弱。Faster R-CNN 的檢測結果較好，它檢測出了白腐病的位置，但是邊界框的大小和形狀不太準確，有些過大或過小，有些不符合白腐病的形狀。這可能是因為 Faster R-CNN 使用的錨框是固定的尺寸和比例，不能很好地適應不同的目標。本研究方法的檢測結果最好，它檢測出了白腐病的位置，而且邊界框的大小和形狀都比較準確，與白腐病的實際情況相符。這可能是因為本研究方法使用的行錨分類方法

可以動態地生成不同的錨框，而且利用了特征蒸餾網絡和自注意力精煉機制提高了特征提取的效果，還采用了非局部注意力機制增強了位置預測的能力。

3" 結論

本研究針對葡萄葉片病害的檢測精度低、速度慢等問題，提出了一種基于改進行錨分類的快速葡萄葉片病害檢測算法。首先設計了FDN，并利用多尺度特征融合和自注意力精煉機制，有效提升了葡萄葉片病害特征提取的質量和效率。同時，通過教師和學生網絡的運用，實現了特征之間的互相學習和優化。進一步利用行錨分類方法在不同尺度上生成行錨，以替代傳統的錨框，實現了對葡萄葉片病害行的分類。這一策略顯著減少了誤檢和漏檢的情況。然后，通過設計非局部注意力機制的葡萄葉片病害位置預測模塊，成功增強了對葡萄葉片病害位置的預測能力。通過在真實數據集上對算法性能的評估，以及與其他深度學習檢測算法的對比，證明了本研究提出的算法具有較高的檢測精度和速度。檢測準確率達到了92.4%，而檢測速度達到了36.8幀/s，研究結果明顯優于當前多數先進方法，并將為葡萄葉片病害檢測在實際應用中提供有效的技術支持。

參考文獻：

［1］張曉月，郭俊強，王祎瑋，等. 避雨栽培對鮮食葡萄植株生長及病害發生的影響［J］. 西北植物學報，2023，43（2）：255-264.

［2］Lin J，Chen X，Pan R，et al. GrapeNet：a lightweight convolutional neural network model for identification of grape leaf diseases［J］. Agriculture，2022，12（6）：887.

［3］許文燕. 基于輕量化神經網絡的葡萄葉部病害檢測裝置研制［J］. 江蘇農業科學，2023，51（19）：181-189.

［4］趙" 兵，馮" 全. 基于全卷積網絡的葡萄病害葉片分割［J］. 南京農業大學學報，2018，41（4）：752-759.

［5］Javidan S M，Banakar A，Vakilian K A，et al. Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning［J］. Smart Agricultural Technology，2023，3：100081.

［6］謝圣橋，宋" 健，湯修映，等. 基于遷移學習和殘差網絡的葡萄葉部病害識別［J］. 農機化研究，2023，45（8）：18-23，28.

［7］Lu X Y，Yang R，Zhou J，et al. A hybrid model of ghost-convolution enlightened transformer for effective diagnosis of grape leaf disease and pest［J］. Journal of King Saud University-Computer and Information Sciences，2022，34（5）：1755-1767.

［8］劉闐宇，馮" 全，楊" 森. 基于卷積神經網絡的葡萄葉片病害檢測方法［J］. 東北農業大學學報，2018，49（3）：73-83.

［9］王書志，喬" 虹，馮" 全，等. 基于顯著性目標檢測的葡萄葉片病害分割［J］. 湖南農業大學學報（自然科學版），2021，47（1）：101-107.

［10］Yin X，Li W H，Li Z，et al. Recognition of grape leaf diseases using MobileNet v3 and deep transfer learning［J］. International Journal of Agricultural and Biological Engineering，2022，15（3）：184-194.

［11］喬" 虹，馮" 全，張" 芮，等. 基于時序圖像跟蹤的葡萄葉片病害動態監測［J］. 農業工程學報，2018，34（17）：167-175.

［12］雷建云，葉" 莎，夏" 夢，等. 基于改進YOLO v4的葡萄葉片病害檢測［J］. 中南民族大學學報（自然科學版），2022，41（6）：712-719.

［13］Shantkumari M，Uma S V. Grape leaf image classification based on machine learning technique for accurate leaf disease detection［J］. Multimedia Tools and Applications，2023，82（1）：1477-1487.

［14］方" 逵，李" 成，何" 瀟，等. 基于三維重建的多角度葡萄葉病害識別方法研究［J］. 中國農業科技導報，2022，24（7）：86-96.

［15］王超學，祁" 昕，馬" 罡，等. 基于YOLO v3的葡萄病害人工智能識別系統［J］. 植物保護，2022，48（6）：278-288.

［16］何" 欣，李書琴，劉" 斌. 基于多尺度殘差神經網絡的葡萄葉片病害識別［J］. 計算機工程，2021，47（5）：285-291，300.

［17］Suo J Y，Zhan J L，Zhou G X，et al. CASM-AMFMNet：a network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases［J］. Frontiers in Plant Science，2022，13：846767.

［18］戴久竣，馬肄恒，吳" 堅，等. 基于改進殘差網絡的葡萄葉片病害識別［J］. 江蘇農業科學，2023，51（5）：208-215.

［19］黃英來，李" 寧，劉鎮波，等. 改進輕量卷積網絡在葡萄病害葉片的分類方法［J］. 哈爾濱理工大學學報，2023，28（3）：1-9.

［20］賈" 璐，葉中華. 基于注意力機制和特征融合的葡萄病害識別模型［J］. 農業機械學報，2023，54（7）：223-233.

［21］戴久竣，馬肄恒，吳" 堅，等. 基于改進殘差網絡的葡萄葉片病害識別［J］. 江蘇農業科學，2023，51（5）：208-215.

［22］朱" 帥，王金聰，任洪娥，等. 基于多特征融合的殘差網絡果樹葉片病害識別［J］. 森林工程，2022，38（1）：108-114，123.

［23］Qian X F，Zhang C Q，Chen L，et al. Deep learning-based identification of maize leaf diseases is improved by an attention mechanism：self-attention［J］. Frontiers in Plant Science，2022，13：864486.

［24］Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework［J］. PeerJ Computer Science，2021，7：432.