基于改進(jìn)YOLOX_Nano的番茄葉片病害識別研究

摘要 近年來，番茄遭受的病害種類越來越多，這些病害對番茄產(chǎn)量和果實品質(zhì)產(chǎn)生巨大影響，及時高效識別病害并采取有效措施成為當(dāng)前番茄生產(chǎn)的迫切需求。針對現(xiàn)有模型番茄病害識別率較低以及模型較大較復(fù)雜的問題，提出一種基于改進(jìn)YOLOX_Nano的病害識別模型。通過引入全局注意力機(jī)制以增強(qiáng)特征圖的全局信息捕捉能力，改進(jìn)特征金字塔網(wǎng)絡(luò)中的上采樣模塊和路徑聚合網(wǎng)絡(luò)中的下采樣模塊，以提升特征的表達(dá)能力和融合效果。試驗結(jié)果表明，該方法對番茄葉片病害識別的mAP達(dá)到89.16%。優(yōu)化后的模型不僅在番茄葉片病害識別上表現(xiàn)出高準(zhǔn)確率和快速檢測性能，而且參數(shù)量和計算量較少，便于部署于手機(jī)等移動設(shè)備。該方法可為番茄葉片病害輕量化快速高效識別提供參考。

關(guān)鍵詞 YOLOX_Nano網(wǎng)絡(luò)；GAM注意力機(jī)制；番茄病害識別

中圖分類號 TP391.41 文獻(xiàn)標(biāo)識碼 A 文章編號 0517-6611（2025）06-0238-05

doi：10.3969/j.issn.0517-6611.2025.06.053

Research on Tomato Leaf Disease Recognition Based on Improved YOLOX-Nano

FANG Xiao-jie，YAN Li-qiang，ZHANG Fu-hao et al

（School of Information Science and Technology，Tibet University，Lhasa，Xizang 850000）

Abstract In recent years， tomatoes have suffered from an increasing number of diseases， which have a huge impact on tomato yield and fruit quality. Timely and efficient identification of diseases and taking effective measures have become an urgent need for tomato production. In response to the low recognition rate of tomato diseases in existing models and the problem of large and complex models， this paper proposes a disease recognition model based on improved YOLOX-Nano. By introducing a global attention mechanism to enhance the global information capture ability of feature maps， improving the upsampling module in the feature pyramid network and the downsampling module in the path aggregation network， the expression ability and fusion effect of features can be improved. The experimental results showed that the mAP of this method for identifying tomato leaf diseases reached 89.16%. The optimized model not only exhibits high accuracy and fast detection performance in tomato leaf disease recognition， but also has fewer parameters and calculations， making it easy to deploy on mobile devices such as smartphones. This method can provide a reference for lightweight， fast， and efficient identification of tomato leaf diseases.

Key words YOLOX-Nano net；Global attention mechanism；Tomato disease identification

當(dāng)前，農(nóng)作物病害是全球農(nóng)業(yè)生產(chǎn)中的一大挑戰(zhàn)，尤其是在我國農(nóng)業(yè)種植結(jié)構(gòu)日益復(fù)雜的背景下，病害問題愈發(fā)突出，嚴(yán)重影響了農(nóng)作物產(chǎn)量和品質(zhì)。番茄作為我國重要的傳統(tǒng)作物，其種植面積和產(chǎn)量均居世界前列。近年來，隨著氣候變化和農(nóng)業(yè)集約化的發(fā)展，番茄病害的種類和發(fā)生頻率顯著增加，常見的病害包括早疫病、黃化曲葉病、褐斑病、葉霉病等。這些病害在葉片中表現(xiàn)出不同的癥狀，嚴(yán)重時會顯著降低番茄產(chǎn)量和果實質(zhì)量，給農(nóng)戶帶來巨大經(jīng)濟(jì)損失［1］。識別并防治這些病癥對于確保番茄的健康生長至關(guān)重要。傳統(tǒng)的病害識別方法依賴于農(nóng)戶的經(jīng)驗和常規(guī)的農(nóng)藥防治，效率低下且容易導(dǎo)致誤判。基于深度學(xué)習(xí)的病害識別基于人工智能的應(yīng)用，能夠及時識別病害并采取有效防治措施，不僅能防止病害擴(kuò)散、減少作物損失，還能提高農(nóng)業(yè)生產(chǎn)效率，同時避免過量使用農(nóng)藥，減輕對環(huán)境和生態(tài)系統(tǒng)的壓力，促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展［2］。因此，采用新技術(shù)提高番茄病害識別的精度和速度成為當(dāng)前農(nóng)業(yè)生產(chǎn)的迫切需求。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展和計算機(jī)圖像處理能力的提升，計算機(jī)視覺技術(shù)在農(nóng)作物病害識別領(lǐng)域的應(yīng)用取得了顯著成果。例如，Widiyanto等［3］采用FasterR-CNN模型訓(xùn)練番茄圖像，通過顏色識別番茄成熟度，平均精確度達(dá)到98.7%；趙越等［4］研究顯示，F(xiàn)asterR-CNN與VGG16結(jié)合的方式在馬鈴薯葉片病害識別中表現(xiàn)優(yōu)異，檢測精度高達(dá)99.5%，遠(yuǎn)超YOLOv3和YOLOv4。劉闐宇［5］在FasterR-CNN的基礎(chǔ)上改進(jìn)區(qū)域建議網(wǎng)絡(luò)，提高建議區(qū)域質(zhì)量，使多姿態(tài)葡萄葉片的檢測精度得以提升。李玉芳［6］通過簡化GoogLeNet的Inception模塊，獲得了在農(nóng)作物病害9分類中達(dá)到98.4%精度的分類網(wǎng)絡(luò)。廖露等［7］結(jié)合VGG19和遷移學(xué)習(xí)模型，解決傳統(tǒng)水稻病害分類方法的效率和準(zhǔn)確度問題，正確率超過99%。Nandi等［8］使用ResNet識別14個品種的植物葉片圖像，準(zhǔn)確率高達(dá)99.53%。Mohandas等［9］提出YOLOv4-tiny模型，用于高效檢測番茄、草莓等農(nóng)作物的病害。Liu等［10］通過改進(jìn)MobileNetV2和YOLOv3模型，實現(xiàn)了對番茄灰斑病的高效檢測。公徐路等［11］基于YOLOv5s模型，通過輕量化網(wǎng)絡(luò)和注意力模塊，提高了蘋果葉片小目標(biāo)病害的檢測精度。馬超偉等［12］提出使用改進(jìn)的YOLOv8模型，結(jié)合PP-LCNet和深度可分離卷積，優(yōu)化了小麥病害的檢測性能。

上述深度學(xué)習(xí)技術(shù)在提高檢測準(zhǔn)確性的同時，也在努力減少內(nèi)存占用和參數(shù)數(shù)量，以實現(xiàn)高準(zhǔn)確度識別、快速檢測，并便于在移動設(shè)備上部署。盡管檢測精度有所提高，但隨著模型參數(shù)的增加，模型的復(fù)雜度也隨之增加，導(dǎo)致更多的浮點(diǎn)運(yùn)算，這可能會增加延遲，從而影響實時檢測的性能。在此背景下，人工智能公司曠視科技在2021年提出了YOLOX檢模型。YOLOX_Nano作為YOLOX系列中參數(shù)量最精簡的模型，因其具有較少的參數(shù)、快速的浮點(diǎn)運(yùn)算能力、低延遲、檢測精度較高以及便于在移動設(shè)備上部署等優(yōu)勢，所以受到了業(yè)界的廣泛關(guān)注。該研究旨在對YOLOX_Nano的基礎(chǔ)架構(gòu)進(jìn)行深入優(yōu)化，目標(biāo)是在不顯著增加模型的內(nèi)存和計算參數(shù)的情況下，引入全局注意力機(jī)制，提出一種基于改進(jìn)YOLOX_Nano的番茄葉片病害識別模型。

1 試驗數(shù)據(jù)

1.1 數(shù)據(jù)獲取

試驗所需的所有數(shù)據(jù)來自公開數(shù)據(jù)集PlantVillage網(wǎng)站，該網(wǎng)站涵蓋番茄作物的8種葉片病害，共14 893張：分別是瘡痂病2 127張，早疫病1 000張，晚疫病1 909張，葉霉病952張，斑枯病1 771張，褐斑病1 404張，黃化曲葉病5 357張，花葉病373張，其中每張照片的像素均為256×256。

1.2 數(shù)據(jù)處理

利用Labelimg軟件對番茄葉片上的病斑進(jìn)行標(biāo)注，并將有關(guān)病斑的類別和位置等信息存儲于相應(yīng)的xml文件中。將試驗數(shù)據(jù)根據(jù)類別按8∶1∶1的比例劃分為訓(xùn)練集、驗證集和測試集。由于某些類別數(shù)據(jù)不均衡，采取數(shù)據(jù)增強(qiáng)的方法來擴(kuò)充早疫病、葉霉病、花葉病訓(xùn)練集，具體包括水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)和圖像旋轉(zhuǎn)。經(jīng)過增強(qiáng)處理后，訓(xùn)練集的圖片數(shù)量從14 893張增加到17 352張。每種番茄葉片病害的圖片數(shù)量詳表1。

2 番茄葉片病害智能檢測模型

2.1 YOLOX_Nano網(wǎng)絡(luò)

YOLOX_Nano是YOLO系列最輕量化的版本，相比傳統(tǒng)的目標(biāo)檢測模型，YOLOX_Nano在檢測速度和模型體積方面表現(xiàn)更為出色，更適合于移動端和嵌入式設(shè)備的部署［13］。YOLOX_Nano的整體結(jié)構(gòu)可以分為4個主要部分，分別為：CSPDarkNet主干提取網(wǎng)絡(luò)，這是YOLOX_Nano的骨干網(wǎng)絡(luò)，負(fù)責(zé)從輸入圖像中提取高層次的特征表示，使用Cross-Stage Partial Networks（CSP）結(jié)構(gòu)，以提高計算效率和特征學(xué)習(xí)能力；特征金字塔網(wǎng)絡(luò)（FPN），通過在不同網(wǎng)絡(luò)層次上融合和提取特征，以確保模型能夠檢測多尺度的目標(biāo)；路徑聚合網(wǎng)絡(luò)（PAN），進(jìn)一步優(yōu)化了特征的傳播和融合，確保在不同層次上的特征信息能夠充分交互和利用，以增強(qiáng)檢測的準(zhǔn)確性和魯棒性；YOLOHead輸出層，是YOLOX_Nano的檢測頭部分，使用Anchor-free的檢測方法。它負(fù)責(zé)從特征圖中預(yù)測目標(biāo)的位置、類別和置信度，是整個目標(biāo)檢測過程的關(guān)鍵組成部分。圖1是YOLOX_Nano的結(jié)構(gòu)圖。

2.2 全局注意力機(jī)制

鑒于YOLOX_Nano網(wǎng)絡(luò)結(jié)構(gòu)的簡化，未能充分捕捉特征向量之間的關(guān)聯(lián)，導(dǎo)致對相似且難以區(qū)分的目標(biāo)預(yù)測效果不佳，同時所使用的數(shù)據(jù)集中番茄葉片病害特征確實存在相似性問題。為此，該研究在YOLOX_Nano模型中引入全局注意力模塊，旨在幫助網(wǎng)絡(luò)更有效地聚焦于重要的特征信息，從而提升對關(guān)鍵目標(biāo)的識別能力。

全局注意力機(jī)制（global attention mechanism，GAM）通過優(yōu)化信息流和增強(qiáng)模型對全局特征的交互能力來實現(xiàn)提升深度神經(jīng)網(wǎng)絡(luò)的性能，這種機(jī)制有助于降低信息的分散性，并提升模型在全局維度上的特征交互。通過融入全局注意力機(jī)制，模型能夠更加精準(zhǔn)地識別圖像中的關(guān)鍵信息，進(jìn)而在背景復(fù)雜和光線變化的條件下，提高病害識別的準(zhǔn)確性。GAM注意力機(jī)制由通道子注意力模塊Mc和空間子注意力模塊Ms構(gòu)成。通道子注意力模塊使用三維排列在3個不同維度上來保留信息，然后利用1個2層的多層感知機(jī)（MLP）來增強(qiáng)跨維度的空間信息交互，從而提高特征表示的能力?？臻g子注意力模塊關(guān)注空間信息，通過使用2個卷積層進(jìn)行空間信息的融合，充分學(xué)習(xí)空間特征［14］。GAM注意力機(jī)制原理如圖2所示。

在通道子注意模塊中，中間狀態(tài)的定義為公式（1）：

F2=Mc（F1）（×）F1（1）

式中：Mc表示通道注意力圖；（×）表示級聯(lián)。

在空間子注意模塊中，中間狀態(tài)的定義為公式（2）：

F3=Ms（F2）（×）F2（2）

式中：Ms表示空間注意力圖；（×）表示級聯(lián)。

2.3 改進(jìn)的YOLOX_Nano網(wǎng)絡(luò)

該研究在YOLOX_Nano網(wǎng)絡(luò)的基礎(chǔ)上引入GAM注意力模塊，對輸入的特征層進(jìn)行全局處理，通過對全局上下文建模，對不同通道的特征圖進(jìn)行權(quán)重的重新分配，增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)深層的特征提取，讓網(wǎng)絡(luò)聚焦于關(guān)鍵特征｀，忽視非重點(diǎn)特征。既優(yōu)化了網(wǎng)絡(luò)的學(xué)習(xí)能力，又提高了特征的重要性和區(qū)分度［15］。

在FPN和PAN網(wǎng)絡(luò)中對特征進(jìn)行上采樣和下采樣，主要是為了在不同的特征層級中進(jìn)行信息融合和尺度適配。通過上采樣可以將低分辨率的特征圖擴(kuò)展到更高的分辨率，以便與來自其他層級的特征圖進(jìn)行融合；而下采樣則有助于從較高分辨率的特征圖中提取更豐富的語義信息，并減少整體的計算負(fù)擔(dān)。在上述過程中，可能會丟失一些重要的細(xì)節(jié)信息。該研究通過在上采樣前加入全局注意力機(jī)制，可以讓網(wǎng)絡(luò)在恢復(fù)高分辨率特征圖時更好地利用全局上下文信息，從而保留更多有用的細(xì)節(jié)信息；通過在下采樣前加入全局注意力機(jī)制，可以幫助網(wǎng)絡(luò)更好地整合全局信息，選擇性地保留那些對最終任務(wù)有重要影響的特征，從而提升下采樣過程中的信息保留和特征表達(dá)能力。在上采樣和下采樣前引入全局注意力機(jī)制，能夠在這些關(guān)鍵特征處理階段為網(wǎng)絡(luò)提供全局上下文信息。這有助于網(wǎng)絡(luò)更好地保留和增強(qiáng)重要特征、減少信息丟失，并優(yōu)化特征融合過程。通過這種方式，網(wǎng)絡(luò)的特征表達(dá)能力得到提升，進(jìn)而提升最終的任務(wù)性能［16］。圖3是改進(jìn)后的YOLOX_Nano_GAM網(wǎng)絡(luò)結(jié)構(gòu)圖。

3 試驗與結(jié)果分析

3.1 試驗環(huán)境與參數(shù)設(shè)定

該研究所有試驗均基于Windows操作系統(tǒng)，Pytorch 1.12.0為深度學(xué)習(xí)框架，開發(fā)語言為Python 3.8，運(yùn)算平臺CUDA 11.3，CPU為12th Gen Intel（R）Core（TM）i7-12700H，顯卡使用NVIDIA GeForce RTX 2050，顯存12 G。

訓(xùn)練超參數(shù)設(shè)置具體見表2。其中迭代次數(shù)（epochs）指的是模型訓(xùn)練時整個訓(xùn)練數(shù)據(jù)集被模型循環(huán)遍歷的次數(shù)，迭代次數(shù)越多，模型對訓(xùn)練數(shù)據(jù)的擬合程度可能會提高，但同時也可能會導(dǎo)致過擬合的問題［17］。批大?。╞atch size）指的是在每次迭代訓(xùn)練中同時輸入到模型中的樣本數(shù)量，較大的批大小可能會導(dǎo)致更快的訓(xùn)練速度，但也可能會增加內(nèi)存需求，并且可能會導(dǎo)致模型在訓(xùn)練過程中陷入局部最優(yōu)解；較小的批大小則可能會增加訓(xùn)練時間，但能夠更頻繁地更新模型參數(shù)［18］；因此，選擇合適的批大小時平衡訓(xùn)練效率和資源占用的關(guān)鍵。動量momentum主要用于加速模型的收斂速度并減少在參數(shù)空間中震蕩的情況。權(quán)重衰減參數(shù)指的是通過在模型的損失函數(shù)中增加一個懲罰項，來限制模型的復(fù)雜度，防止過擬合［19］。學(xué)習(xí)率用于控制每次更新的步長和幅度，學(xué)習(xí)率過大可能導(dǎo)致模型在更新時跳過最優(yōu)點(diǎn)，過小會使模型的收斂速度變慢，選擇合適的學(xué)習(xí)率能夠幫助模型更快得到最優(yōu)解［20］。該試驗使用隨機(jī)梯度下降法（SGD）進(jìn)行學(xué)習(xí)和更新網(wǎng)絡(luò)參數(shù)。

3.2 評價指標(biāo)

針對該研究，選用平均精度（average precision，AP）、各類別AP的平均值（mean average precision，mAP）作為模型性能評價指標(biāo)。mAP與準(zhǔn)確率（precision，P）、召回率（recall，R）有關(guān)，其計算公式如下：

其中：TP表示被模型預(yù)測正確的正樣本數(shù)；FP為被模型預(yù)測錯誤的正樣本數(shù)；FN為被模型預(yù)測錯誤的負(fù)樣本數(shù)；M為類別總數(shù)；AP（k）為第k類平均準(zhǔn)確率［21］。

3.2 消融試驗

3.2.1 不同注意力機(jī)制的消融試驗。

為分析網(wǎng)絡(luò)模型對添加不同注意力機(jī)制的性能表現(xiàn)，將改進(jìn)的YOLOX_Nano中的 GAM注意力模塊分別替換為SE（squeeze-and-excitation）、ECA（efficient channel attention）、CA（coord attention）和 Non網(wǎng)絡(luò)，表3為對比結(jié)果。

表3中，使用GAM注意力機(jī)制的mAP為89.16%，與SE、ECA、CA、Non相比，分別高出1.56百分點(diǎn)、0.96百分點(diǎn)、1.26百分點(diǎn)、4.57百分點(diǎn)，說明GAM能夠更好地捕捉全局特征和局部特征之間的相關(guān)性，從而提高了目標(biāo)檢測的準(zhǔn)確性。此外，使用GAM注意力機(jī)制的召回率為86.5%，與SE、ECA、CA、Non相比，也分別高出1.7百分點(diǎn)、0.3百分點(diǎn)、0.2百分點(diǎn)、2.2百分點(diǎn)，在目標(biāo)檢測任務(wù)中，召回率是模型檢測到的真實目標(biāo)數(shù)量與總的真實目標(biāo)數(shù)量之比，使用GAM注意力機(jī)制的模型相對于其他注意力機(jī)制的模型，更能夠全面地捕捉圖像中的目標(biāo)，提高檢測的全面性和覆蓋率。添加GAM注意力機(jī)制與添加SE、ECA、CA、Non相比，參數(shù)量略有增加，但GAM在兼顧模型性能和精確度提升方面表現(xiàn)更佳。

3.2.2 不同檢測模型結(jié)果對比。

為進(jìn)一步分析驗證該方法的有效性，將其與具有代表性的兩階段目標(biāo)檢測算法 Faster R-CNN、單階段目標(biāo)檢測算法SSD、YOLOv8和YOLOX進(jìn)行對比，表4為對比結(jié)果。

表4中，雖然 Faster R-CNN 在檢測番茄葉片病害具有較高準(zhǔn)確率，但是其參數(shù)量最大，無法滿足輕量化的需求。該研究模型的mAP和召回率分別為89.2%、86.5%，與SSD、YOLOv8、YOLOX相比，分別高出0.9百分點(diǎn)、1.1百分點(diǎn)、2.7百分點(diǎn)和1.1百分點(diǎn)、0.8百分點(diǎn)、6.5百分點(diǎn)。在這幾種模型中，該研究模型對番茄葉片病害檢測表現(xiàn)出最高的精度值，參數(shù)量也最小，滿足網(wǎng)絡(luò)輕量化的要求，有利于對病害的盡早檢測，防止病害大面積蔓延。

4 結(jié)語

在當(dāng)前針對番茄葉片病害識別研究中，現(xiàn)有模型普遍面臨識別率不高以及模型過于龐大、復(fù)雜度高等問題。這些問題直接限制了番茄葉片病害的精確檢測和高效診斷，導(dǎo)致實際應(yīng)用中的實時性和準(zhǔn)確性受到顯著影響。為了解決這些問題，該研究在YOLOX_Nano的基礎(chǔ)上進(jìn)行改進(jìn)，通過引入全局注意力機(jī)制，優(yōu)化了YOLOX_Nano模型的特征金字塔網(wǎng)絡(luò)和路徑聚合網(wǎng)絡(luò)。全局注意力機(jī)制能夠有效增強(qiáng)模型在處理多尺度特征時的能力，增強(qiáng)特征融合的效果，從而更好地捕捉病害的細(xì)微特征。這一改進(jìn)不僅增強(qiáng)了模型對復(fù)雜背景和小目標(biāo)的識別能力，還降低了模型的計算復(fù)雜度，使其更加適合實際應(yīng)用。利用改進(jìn)的網(wǎng)絡(luò)對番茄葉片病害數(shù)據(jù)集進(jìn)行訓(xùn)練，試驗結(jié)果表明，優(yōu)化后的模型在檢測精度上顯著優(yōu)于其他常見模型，這一結(jié)果驗證了所提方法在提高識別準(zhǔn)確性和優(yōu)化模型性能方面的有效性。未來的工作可以考慮豐富番茄葉片病害樣本，進(jìn)行更深入的識別與實時檢測研究。同時，對模型進(jìn)行移植的驗證和改進(jìn)，使得模型更輕量、更易部署。

參考文獻(xiàn)

［1］ 郭文娟，馮全，李相周.基于農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型研究進(jìn)展［J］.中國農(nóng)機(jī)化學(xué)報，2022，43（10）：157-166.

［2］ 宋成龍.基于深度學(xué)習(xí)的番茄病害目標(biāo)檢測算法的研究與應(yīng)用［D］.石家莊：河北科技大學(xué)，2020：2-10.

［3］ WIDIYANTO S，WARDANI D T，PRANATA S W.Image-based tomato maturity classification and detection using faster R-CNN method［C］//2021 5th international symposium on multidisciplinary studies and innovative technologies（ISMSIT）.Ankara，Turkey：IEEE，2021：130-134.

［4］ 趙越，趙輝，姜永成，等.基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測方法［J］.中國農(nóng)機(jī)化學(xué)報，2022，43（10）：183-189.

［5］ 劉闐宇.基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測方法研究［D］.蘭州：甘肅農(nóng)業(yè)大學(xué)，2018：34-40.

［6］ 李玉芳.基于簡化GoogLeNet的農(nóng)作物葉片病害識別系統(tǒng)設(shè)計與實現(xiàn)［J］.信息與電腦（理論版），2023，35（9）：179-181.

［7］ 廖露，韓春峰，何純櫻.基于VGG19卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻病害圖像分類方法［J］.測繪，2023，46（4）：153-157，181.

［8］ NANDI A，YADAV S，JAISWAL Y.Crop disease recognition and diagnosis using Residual Neural Network［C］//2022 international conference on advancements in smart，secure and intelligent computing（ASSIC）.Bhubaneswar，India：［s.n.］，2022：1-6.

［9］ MOHANDAS A，ANJALI M S，RAHUL VARMA U.Real-time detection and identification of plant leaf diseases using YOLOv4-tiny［C］//2021 12th international conference on computing communication and networking technologies（ICCCNT）.Kharagpur，India：［s.n.］，2021：1-5.

［10］ LIU J，WANG X W.Early recognition of tomato gray leaf spot disease based on MobileNetv2-YOLOV3 model［J］.Plant methods，2020，16：1-16.

［11］ 公徐路，張淑娟.基于改進(jìn)YOLOv5s的蘋果葉片小目標(biāo)病害輕量化檢測方法［J］.農(nóng)業(yè)工程學(xué)報，2023，39（19）：175-184.

［12］ 馬超偉，張浩，馬新明，等.基于改進(jìn)YOLOv8的輕量化小麥病害檢測方法［J］.農(nóng)業(yè)工程學(xué)報，2024，40（5）：187-195.

［13］ 殷獻(xiàn)博，鄧小玲，蘭玉彬，等.基于改進(jìn)YOLOX-Nano算法的柑橘梢期長勢智能識別［J］.華南農(nóng)業(yè)大學(xué)學(xué)報，2023，44（1）：142-150.

［14］ 龐超，王傳安，蘇煜，等.基于改進(jìn)YOLOv8n的水稻病害檢測方法［J］.內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2024，45（2）：62-68.

［15］ 王梓衡，沈繼鋒，左欣，等.基于特征級與決策級融合的農(nóng)作物葉片病害識別［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2024，45（3）：286-294.

［16］ 薛興川.基于深度學(xué)習(xí)的農(nóng)作物葉片病害診斷方法研究和系統(tǒng)開發(fā)［D］.吉林：東北電力大學(xué)，2024.

［17］ 陳洋，張欣，陳孝玉龍，等.CA-MobileNet V2：輕量化的作物病害識別模型［J］.計算機(jī)工程與設(shè)計，2024，45（2）：484-490.

［18］ 肖天賜，陳燕紅，李永可，等.基于改進(jìn)通道注意力機(jī)制的農(nóng)作物病害識別模型研究［J］.江蘇農(nóng)業(yè)科學(xué)，2023，51（24）：168-175.

［19］ 鄭超杰，李少波，蒲睿強(qiáng)，等.基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害識別［J］.江蘇農(nóng)業(yè)科學(xué)，2024，52（11）：225-231.

［20］ 倪智濤，胡偉健，李寶山，等.一種基于圖像分類與目標(biāo)檢測協(xié)同的番茄細(xì)粒度病害識別方法［J］.江蘇農(nóng)業(yè)科學(xué)，2023，51（22）：221-228.

［21］ 左昊軒，黃祺成，楊佳昊，等.基于改進(jìn)YOLOv5s的番茄黃化曲葉病檢測方法［J/OL］.農(nóng)業(yè)機(jī)械學(xué)報，2023-09-15［2024-08-12］.https：//link.cnki.net/urlid/11.1964.S.20230914.1408.025.

基金項目 2021年中央引導(dǎo)地方科技發(fā)展資金項目（XZ202101YD-0014C）；西藏大學(xué)研究生“高水平人才培養(yǎng)計劃”項目（2022-GSP-S106）。

作者簡介 方曉捷（1998—），女，安徽滁州人，碩士研究生，研究方向：農(nóng)作物圖像識別。

*通信作者，教授，碩士，從事智能控制研究。

收稿日期 2024-11-09；修回日期 2024-12-26