基于MECB-DeepLabV3+的梨樹葉片病害分級研究

中圖分類號：S436.612：S126 文獻標識號：A 文章編號：1001-4942（2025）06-0138-11

AbstractThe accurate grading of pear leaf diseases is of great significance to effective disease control and improvement of pear fruit yield and quality. Based on pear black spot disease，brown spot disease，gray spot disease and healthy leaves，this study proposed a lightweight image segmentation model for pear leaf diseases called MECB-DeepLabV3+. Firstly，the transfer learning method was used to compare and analyze the U-Net，PSPNet and DeepLabV3+ networks，and the DeepLabV3+ with the best comprehensive performance was selected as the basic network model.Secondly，to addressthe issues of large parameter size and high computational complexity in DeepLabV3+，MobileNetV3 was chosen as the backbone network to achieve model lightweighting.Finally，to overcome the shortcomings of DeepLabV3+ in recognizing fine lesions and boundary segmentation，efficient chanel attention （ECA），coordinate attention（CA），and bottleneck attention module （BAM） were introduced. Additionally，the Ranger21 optimizer and a composite loss function were used to optimize model training.The experimental results showed that the mean intersection over union and mean pixel accuracy of the proposed model reached 91.22% and 95.01% ，respectively，representing an improvement of 2.91 and 2.14 percentage points compared to the basic network. The parameter size of the proposed model was only 4.221 M. By using the proportion of disease spot area for disease grading，the overall average accuracy reached 95.02% ，enabling effective disease grading，which could provide the scientific reference for controlling pear leaf diseases.

KeywordsPear leaf diseases ; Disease grading； Deep learning; Semantic segmentation; Transfer learning

梨樹是我國重要的經濟果樹之一，栽培歷史悠久，河北、新疆、河南、遼寧、安徽和等省份廣泛種植。作為梨生產大國，2021年我國的梨產量達到1887.59萬t，出口量達到51萬 t^[1] 。然而，受氣候變化、生長環境和人為管理等多重因素的影響，梨樹葉片病害頻發，對果實產量和質量造成嚴重影響。實現病害的自動、高效且準確分級對于梨樹葉片病害的早期發現與防治至關重要，有助于提升果實產量和質量，減少農藥使用，提高果農收人，推動梨樹產業健康持續發展

基于深度學習的語義分割技術能夠實現像素級別的精細分類，從而準確分割出梨樹葉片上的病斑區域和健康區域，繼而通過計算病斑區域占整個葉片面積的比例量化病害的嚴重程度，再結合預定義的分級表，可以實現病害的精準分級。劉永波等2提出了一種玉米葉部病害程度分級方法，通過將葉片和病斑分開標注，分別采用兩個 模型對葉部病害圖像進行分割，成功分割出整個葉片和病斑，取得了較高的準確率和較快的分級速度。Divyanth等[3]針對玉米病害識別與嚴重程度估計問題，提出了一種兩階段語義分割方法（第一階段從復雜背景中提取出葉片，第二階段從提取的葉片中提取出病斑），分別使用U-Net和DeepLab V3+ 進行訓練，實驗結果表明該兩階段集成模型效果更好。然而，這種分開標注和訓練的方式增加了標注和模型的復雜度，因此部分研究者嘗試采用一次性標注的方法和單一模型進行識別。李凱雨等[4]提出一種基于改進U-Net模型的黃瓜葉片病害嚴重程度評價方法，該方法通過一次性完成標注并使用單一模型，在實驗中取得較好的分割性能。鄧朝等[5］采用PlantVil-lage公共數據集對馬鈴薯葉片晚疫病進行量化評價，使用MaskR-CNN算法一次性標注并識別分割，同樣取得較高的精度。然而上述模型參數量較大、計算較為復雜，難以在資源受限環境中或需要快速響應的系統上部署。Cai等[為了水稻病害的準確分割，提出一種輕量化的Deeplab ?V3+ 網絡方法，通過替換骨干網絡為MobileNetV2，在保持分割精度的同時，大大減少了模型中執行的計算量，提高了計算速度。

目前基于深度學習的病害研究主要集中在病害的分類識別上，病害分級研究較少，且大多研究中使用的模型存在參數量較大、計算復雜度較高以及對細小病斑識別和邊界分割不足等問題。針對以上問題，本研究采用MobileNetV3作為骨干網絡，引入高效通道注意力、坐標注意力和瓶頸注意力模塊，并使用Ranger21優化器和復合損失函數優化模型訓練，構建了一種輕量級梨樹葉片病害圖像分割模型MECB-DeepLab V3+ 。該模型能在提升精度的同時，顯著減少對計算資源的需求，同時利用模型的分割結果和分級表，實現病害的有效分級。這對病害早期防治、果實品質提升、農藥減量和農民增收具有重要意義。

數據集及模型構建

1.1 數據集構建

1.1.1數據采集 葉片采集自省果樹研究所天平湖試驗示范基地梨示范園，于2023年6月至8月間在不同時間段內少量多次進行采集。葉片圖像采集時以白色A4紙為背景，使用華為P30手機拍攝，所獲得的圖像以 3456×4608 分辨率、JPG格式及24位色深保存。共采集圖像4285張，包括黑斑病葉片圖像1073張、褐斑病葉片圖像1088張、灰斑病葉片圖像1049張、健康葉片圖像1075張。各類圖像示例見圖1。

1.1.2數據預處理 為提高模型訓練效率，統一將圖像尺寸調整為 960×1280 像素。使用La-belMe 和 Segment AnythingModel（SAM）[7]相結合的方法進行數據標注。為了解決病斑的標注覆蓋丟失問題，對生成的JSON文件的鍵值順序進行調整，確保健康葉分類始終位于首位。標注方法和生成的標簽結果如圖2所示。

按照 7：2：1 的比例將數據集劃分為訓練集、驗證集和測試集。為了增加數據的多樣性和提高模型的泛化能力，在模型訓練過程中采用在線數據增強技術。以灰斑病為例，具體數據增強效果如圖3所示。

1.2 模型性能評價指標

本研究主要利用像素精度（Pixel Accuracy，PA）平均像素精度（MeanPixelAccuracy，MPA）以及平均交并比（Mean Intersection over Union，MIoU）對模型性能進行評價。其中，PA是最基本的評價指標，用于衡量正確分類的像素數占總像素數的比例；在圖像分割任務中，MPA是一種對每個類別的像素分類準確性進行細致評估的指標；MIoU是圖像分割領域中一種重要的性能評估指標，用于衡量模型在各類別上的分割效果，通過計算每個類別真實標注區域與模型預測區域之間交集與并集的比值來實現評估。假設有 k+1 個類別（包括背景）， 代表真實類別為i的像素被預測為類別j的數量， 代表真實類別為i的像素被正確預測為類別i的數量， p_ji 代表真實類別為j的像素被預測為類別i的數量，則PA、MPA、MIoU的計算公式如下：

1.3 基礎模型的選取及其輕量化

本研究選用 U-Net^[8] （以VGG為骨干網絡）、PSPNet[9（以ResNet50為骨干網絡）DeepLabV3+1°（以Xception為骨干網絡）三種語義分割網絡，基于遷移學習方法分別構建模型，使用相同數據集在相同的環境下進行試驗，通過評估它們在梨樹葉片病害圖像分割任務上的性能，篩選出基礎模型1.3.1試驗環境與參數配置試驗環境配置如表1所示。參數配置：本試驗輸入網絡中圖像的批次大小設置為16，初始學習率為0.01，采用余弦退火作為學習率調度策略，優化器使用SGD，動量設置為0.9，使用交叉熵損失函數，訓練輪次（Epoch）為1000，每5個Epoch保存一次權值，分類數為5。

1.3.2遷移學習前后效果對比遷移學習的主要目標是將源域（本研究選擇PASCALVOC數據集）經充分訓練學習到的知識遷移到目標域，然后基于目標任務進行微調，以實現更優的性能。本研究以DeepLab ??3+ 網絡為例，對比了使用遷移學習前后的MIoU曲線的變化，如圖4所示。可知，DeepLab V3+ 在未使用遷移學習的情況下，模型訓練過程中損失值波動大，收斂緩慢;而使用遷移學習后，模型很快收斂，且MIoU有一定的提升。因此，本研究后續實驗均使用遷移學習方法。

1.3.3 基礎模型篩選 本研究對比了 U-Net 、PSPNet和DeepLab V3+ 三種模型的整體性能，結果（表2）顯示，DeepLabV3 + 的MIoU和MPA最高，參數量和計算量中等，因此選擇DeepLab V3+ 作為基礎網絡模型

DeepLabV3+在2018年發布，其整體架構融合了編碼器-解碼器思想以及多尺度上下文信息提取的策略，從而在復雜場景下實現了高精度的像素級分類。在編碼器部分，它主要由深度卷積神經網絡（DCNN）骨干網絡和空洞空間金字塔池化（ASPP）模塊組成。DCNN負責從輸人圖像中提取特征，通常采用預訓練的Xception模型。AS-PP 模塊則進一步處理DCNN的輸出，包含四個具有不同空洞率的卷積分支和一個全局平均池化分支，用于捕捉多尺度的上下文信息。解碼器則通過上采樣和特征融合，融合高層次的語義信息和低層次的細節信息。最終，通過上采樣得到每個像素的類別預測結果。其網絡結構如圖5所示。

1.3.4 模型輕量化 DeepLab ??3+ 的原始 Xcep-tion骨干網絡結構較為復雜，需要較多的計算資源和存儲資源，難以在資源受限環境中或需要快速響應的系統上部署。因此，本研究選用Mobile-NetV3^[11] 作為其骨干網絡，并使用識別精度更高的Large版本。MobileNetV3由多個block堆疊而成，block具體結構如圖6所示。

在僅改變骨干網絡的情況下，對DeepLab V3+ 模型性能進行對比試驗，結果（表3）顯示，替換骨干網絡為MobileNetV3后，DeepLab V3+ 模型的參數量下降了 89.71% ，計算量下降了 70.61% ，而MIoU和MPA小幅提升。這說明MobileNetV3能在維持模型較高分割性能的同時大幅降低計算量和參數量，是一種輕量高效的網絡。因此，選用MobileNetV3作為DeepLab V3+ 模型的骨干網絡進行后續實驗。

梨樹葉片病斑邊緣復雜且細小，為了提高對細小病斑的特征提取和邊緣處理能力，本研究以上述篩選出的輕量化DeepLabV3+模型為基礎模型，通過一系列改進，構建了MECB-DeepLabV3+梨樹葉片病害分割模型，其網絡結構如圖7所示。具體改進措施如下。

1.4.1 使用Ranger21優化器進一步優化 Deep-Lab V3+ 模型性能Ranger21[12]是2021年推出的一種新型優化器，它結合了Adam的核心思想與多種先進優化策略。Ranger21繼承了Adam自適應學習率的特性，并通過融人自適應梯度裁剪[13]、梯度中心化[14]和正負動量[15]等技術來增強穩定性和優化效率。此外，Ranger21還整合了范數正則化損失[16]、穩定的權重衰減[17]、線性學習率預熱[18]以及探索-利用學習率調度策略[19]等技術，以進一步提升模型性能和訓練速度。相較于其他優化器，Ranger21能夠顯著提高模型準確性、加快訓練速度，并生成更平滑的訓練曲線[20] C

1.4.2 改用復合損失函數緩解數據類別不均衡問題 交叉熵（CrossEntropy，CE）損失函數是分類問題中常用的損失函數之一。對于多分類問題，其公式如式（4）所示：

其中， ΔN 是樣本的總數;C是類別的總數； y_ij 表示第i個樣本是否屬于第j類，是一個指示變量（也稱為獨熱編碼），如果第i個樣本屬于第j類，則yij=1，否則yij=0;pij是模型預測的第i個樣本屬于第j類的概率。

盡管CE損失函數在分類任務中表現良好，但由于它對所有類別賦予相同的權重，在類別不均衡的情況下可能效果不佳。而在梨葉病害數據集中，病斑像素遠少于背景和健康葉像素，存在明顯的類別不平衡問題。為此，本研究引人Dice損失函數作為輔助。Dice損失函數主要用于圖像分割任務，并特別關注前景區域的準確分割。其公式如式（5）所示：

其中， p_i 為模型對i的預測值; t_i 為對應的真實標簽； ε 為很小的常數，防止分母為0。

為了充分利用CE和Dice損失函數在分類和分割任務中的優勢，本研究使用復合損失函數該函數結合了兩者的優點，既關注整體分類準確性又特別關注占比較少的病害類別的識別[21]，從而有助于緩解類別不均衡問題并提高模型穩定性。復合損失函數公式如式（6）所示：

L_loss=L_cE+L_Dice

1.4.3引入高效通道注意力模塊替換骨干網絡中的SE模塊，以增強通道信息表達能力在Mo-bileNetV3的原始設計中，SE模塊被用以增強模型的特征表達能力。然而，SE模塊的復雜性和計算開銷相對較高，因此本研究將其替換為高效通道注意力（EfficientChannel Attention，ECA）模塊，以提高模型的通道信息表達能力，進而增強模型對病害區域特征的敏感度。ECA模塊結構如圖8所示。

ECA模塊是一種輕量級且高效的通道注意力機制，通過捕捉通道間的依賴關系來提升模型的特征表示能力[22]。該模塊首先利用全局平均池化將特征圖的空間信息壓縮，生成通道描述符。隨后采用一維卷積（其核大小根據通道數自適應確定）處理這些通道描述符，以捕獲不同范圍的通道間依賴關系。應用Sigmoid激活函數對輸出進行歸一化處理，得到一組能夠準確反映通道重要性的權重系數。最后，這些權重通過簡單的標量乘法應用于原始特征圖的對應通道上，實現特征重標定。

1.4.4在解碼器中引入坐標注意力模塊，以提升位置信息提取能力 病斑的紋理、形狀特征往往較為復雜，為了更好地捕獲葉片的位置信息和細微特征變化，本研究在DeepLab ?V3+ 的解碼器部分引人坐標注意力（CoordinateAttention，CA）機 塊結構如圖9所示。制[23]，以提高模型的位置信息提取能力。CA模

該模塊首先通過全局平均池化沿特征圖的高度和寬度兩個方向捕捉全局上下文信息，接著經過一個特征變換模塊（包含卷積、歸一化和激活函數）對這些特征進行整合和優化；隨后，優化特征被分解為兩部分，分別生成高度和寬度的注意力權重，通過卷積層和Sigmoid激活函數處理，形成高度和寬度注意力圖。最終，這些注意力圖與原始特征相乘，實現特征重加權。

1.4.5在ASPP模塊中融入瓶頸注意力模塊，以提升空間感知能力在DeepLab ，V3+ 中，ASPP 模塊是一個用于捕獲多尺度上下文信息的關鍵組件。然而，ASPP模塊使用多種空洞率的空洞卷積，會造成部分空間連續性信息丟失，從而使得圖像中的細小病斑和邊界難以被識別。為了改進這一問題，本研究選擇在ASPP模塊五個分支中的ReLU激活函數后均添加瓶頸注意力模塊（Bottle-neckAttentionModule，BAM），增強模型對空間信息的關注度，從而能夠捕捉到更精細的病斑邊緣信息。

BAM是一種高效且輕量級的注意力機制，它通過結合通道注意力和空間注意力來增強特征表示，能夠增強網絡對特征通道和空間信息的敏感性，從而提升網絡的特征表示能力和性能[24]。在通道注意力方面，BAM通過計算不同通道的權重來強調關鍵特征的重要性。在空間注意力方面，該模塊通過為特征圖中不同空間位置分配相應的權重來突出顯著的空間特征。BAM的網絡結構如圖10所示。

2 結果與分析

2.1 試驗環境調整

在上述實驗基礎上，基于遷移學習的有效性，將Epoch優化調整為200，其他試驗環境均與1.3.1保持一致。

2.2 Ranger21優化器的使用效果分析

為明確使用Ranger21優化器對模型性能的提升效果，選用SGD優化器與其進行對比實驗，在用MobileNetV3作為骨干網絡的DeepLab V3+ 網絡上進行訓練，其訓練過程中的損失曲線變化情況如圖11所示。可見，與SGD優化器相比，Ranger21優化器在模型訓練過程中表現出更快的收斂速度和更低的損失值。因此，本研究選用Ranger21優化器進行后續的模型訓練。

2.3 復合損失函數的使用效果分析

本研究使用的梨樹葉片病害數據集標注的各分類像素點數量如表4所示，可以看出，數據集存在明顯的類別不均衡問題，背景和健康葉的像素數占據了絕大多數，而褐斑病、黑斑病和灰斑病的像素數相對較少。這種類別不均衡可能會導致模型在訓練過程中過于關注占比較多的類別，而忽視對占比較少病害類別的識別，因此本研究使用復合損失函數來解決這一問題。使用Ranger21優化器訓練后的模型作為基礎模型，在僅改變損失函數的情況下進行對比實驗，結果（表5）顯示，與使用CE損失函數的模型相比，使用復合損失函數訓練的模型MIoU和MPA分別提升了0.56、0.40個百分點，證明了復合損失函數在處理數據集不均衡時的有效性。

2.4 引入不同注意力模塊的消融實驗

將使用上述復合損失函數訓練后的網絡模型作為基準模型，稱為A，將引入ECA模塊、CA模塊、BAM分別稱為 B，C，D ，消融實驗結果（表6）顯示，引入各模塊均在不同程度上提升了模型的性能。使用ECA模塊替換MobileNetV3中的SE模塊后 （A+B） ，與A相比，參數量略有下降，MI-oU、MPA分別提高0.35、0.31個百分點，體現了ECA模塊的高效性。進一步在解碼器中添加CA模塊后 （ A+B+C） ，與 A+B 相比，參數量不變，計算量略增，與A相當，性能有所提升，MIoU、MPA分別提高0.42、0.31個百分點。而在 A+B 基礎上再在ASPP模塊中融入BAM后 （A+B+D）， ，模型性能提升明顯，與 A+B 相比MIoU、MPA分別提高0.95、0.99個百分點，參數量和計算量變化較小。最終，將所有模塊組合后（ A+B+C+D ），模型性能最優，MIoU達到 91.22% ，MPA達到 95.01% ，明顯優于其他模型，因此選此模型作為梨樹葉片病害分級使用的模型，命名為MECB-DeepLab V3+ 。

2.5 模型改進前后的性能對比

通過與原始DeepLab V3+ 進行對比，結果（表7）顯示，本研究提出的MECB-DeepLab ^?V3+ 模型MIoU提升2.91個百分點，MPA提升2.14個百分點，參數量減少 92.28% ，計算量減少 70.56% ，平均每張圖像的分割時間降低 57.14% 。可見，改進后的模型在提高性能的同時大幅降低了參數量和計算量，提高了分割速度。

為了更細致地分析模型性能，對比分析了模型改進前后對不同類別梨樹葉片的分類性能指標，結果（表8）顯示，相比于原始DeepLabV3+，MECB-DeepLab ?V3+ 模型在灰斑病上的IoU和PA上分別提高4.51、3.67個百分點，在黑斑病上分別提高6.09、3.72個百分點，在褐斑病上分別提高3.59、3.01個百分點，在健康葉上分別提升0.36、0.28個百分點。

模型改進前后對梨樹葉片病斑分割的可視化結果如圖12所示，可以看出，MECB-DeepLabV3+能夠更精準地分割出更多小病斑，病斑邊緣更加清晰，分割的病斑更加完整。

2.6 MECB-DeepLab ??3+ 模型對梨樹葉片病害的分級效果驗證

目前針對梨樹葉片病害的分級還沒有統一的標準，本研究參考曹玉芬等[25]提供的標準，按照病斑占整個葉片的像素比例進行病害等級劃分，具體劃分標準如表9所示

使用測試集中321張梨樹葉片病害圖像驗證MECB-DeepLabV3+模型對梨樹葉片病害的分級效果。將模型預測的病害分級結果與人工標注的病害分級結果進行比較，結果（表10）顯示，MECB-DeepLab ??3+ 模型對各級梨樹葉片病害的分類準確率均較高，整體平均分級準確率達到 95.02% ，表明本研究提出的模型在梨樹葉片病害分級任務上具有較高精度，可以為實際生產中梨樹葉片病害分級提供指導。

3 結論

本研究針對DeepLab V3+ 參數量較大、計算復雜度較高以及在細小病斑識別和邊界分割上的不足，構建了輕量級MECB-DeepLab ??3+ 梨樹葉片病害圖像分割模型。首先，使用輕量級網絡MobileNetV3作為骨干網絡，實現模型輕量化，再將其中的SE模塊替換為ECA模塊，以提升模型的通道信息表達能力；隨后，在解碼器中引人CA模塊，以提升模型的位置信息提取能力；最后，在ASPP模塊中融入BAM，以提升模型的空間感知能力。此外，為了進一步優化模型性能，選用Ranger21優化器和復合損失函數進行模型訓練。實驗結果表明，MECB-DeepLab V3+ 的 MIoU和MPA分別達到 91.22% 和 95.01% ，與原始 DeepLab?3+ 網絡相比，分別提升2.91、2.14個百分點，參數量減少 92.28% ，計算量減少 70.56% ，平均每張圖像分割時間由 56ms 降至 24ms ；病害分級整體平均準確率達到 95.02% ，實現了病害的準確分級。后續將補充復雜背景下的數據集，并增加病害種類，以實現梨樹葉片病害的全面評估。

參考文獻：

[1]沙雨晨，耿獻輝.我國梨生產布局演變預測分析［J].中國果樹，2023（9）：79-85.

on corn tield imagery L J」. Smart Agrcultural Technology， 2023，3：100108.

[4］李凱雨，朱昕怡，馬浚誠，等.基于混合擴張卷積和注意力 的黃瓜病害嚴重度估算方法[J].農業機械學報，2023，54 （2） ：231-239.

[5］鄧朝，紀苗苗，任永泰.基于 Mask R-CNN 的馬鈴薯葉片晚 疫病量化評價[J].揚州大學學報（農業與生命科學版）， 2022，43（1） ：135-142.

[6]Cai M D，Yi X M，Wang G Y，et al. Image segmentation method for sweetgum leaf spots based on an improved DeeplabV3 + network[J]. Forests，2022，13（12） ：2095.

[7]Kirillov A，Mintun E，Ravi N，et al. Segment anything[C]// 2023 IEEE/CVF International Conference on Computer Vision （ICCV），Paris，France. IEEE，2023：3992-4003.

[8]Ronneberger O，Fischer P，Brox T. U-Net： convolutional networks for biomedical image segmentation [C]//Navab N， Hornegger J，Wells W，et al. Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science，vol 9351. Cham.： Springer，2015：234-241.

[9]Zhao H S，Shi JP，Qi X J，et al. Pyramid scene parsing network [C]//Proceedings of 2017 IEEE Conference Computer Vision and Pattern Recognition （CVPR）. IEEE，2017：6230-6239.

[10] Chen L C，Zhu Y，Papandreou G，et al. Encoder-decoder with atrous separable convolution for semantic image segmentation [C]//Ferrari V，Hebert M，Sminchisescu C，et al. Computer Vision-ECCV 2018. ECCV 2018.Lecture Notes in Computer Science，vol 11211. Cham：Springer，2018：833-851.

[11]Howard A，Sandler M，ChenB，et al. Searching for MobileNetV3 [C]//2019 IEEE/CVF International Conference on Computer Vision（ICCV），Seoul，Korea（South）.IEEE，2019：1314- 1324.

[12]Wright L，Demeure N. Ranger21： a synergistic deep learning optimizer[J/OL].arXiv：2106.13731[cs.LG].2021.https：//doi.org/10.48550/arXiv.2106.13731.

[13]Brock A，De S，Smith S L，et al.High-performance large-scale image recognition without normalization[J/OL]. arXiv：2102. 0617[cs.CV]，2021. https：//doi.org/10.48550/arXiv.2102. 06171.

[14]Yong H W，Huang JQ，Hua X S，et al. Gradient centralization ： a new optimization technique for deep neural networks[C]// Vedaldi A，Bischof H，Brox T，et al.Computer Vission-ECCV2020.ECCV 2020. Lecture Notes in Computer Science，vol 12346. Cham.：Springer，2020：635-652.

[15] Xie Z K，Yuan L，Zhu Z X，et al. Positive-negative momentum： manipulating stochastic gradient noise to improve generalization [J/OL].arXiv： 2103.17182[cs.LG]，2021. https：//doi.org/ 10.48550/arXiv.2103.17182.

[16]Georgiou T，Schmitt S，B?ck T，et al. Norm Loss：an efficient yet effective regularization method for deep neural networks [C].2020 25th International Conference on Pattern Recognition（ICPR），Milan，Italy.IEEE，2021：8812-8818.

[17]Xie ZK，Xu ZQ，Zhang JZ，et al.On the overlooked pitfalls of weight decay and how to mitigate them：a gradient-norm perspective[J/OL].arXiv：2011.11152[cs.LG]，2020.https：// doi.org/10.48550/arXiv.2011.11152.

[18]Ma J，Yarats D. On the adequacy of untuned warmup for adaptiveoptimization[J/OL].arXiv：1910.04209[cs.LG]，2021. https：//doi.org/10.48550/arXiv.1910.04209.

[19]IyerN，ThejasV，KwatraN，etal.Wide-minimadensityhypothesis and the explore-exploit learning rate schedule[J/OL]. arXiv：2003.03977[cs.LG]，2020. https：//doi.org/10.48550/ arXiv.2003.03977.

［20］常禧龍，梁琨，李文濤.深度學習優化器進展綜述[J].計算 機工程與應用，2024，60（7）：1-12.

[21］顧文娟，魏金，陰艷超，等.基于改進DeepLabv3 + 的番茄圖 像多類別分割方法[J].農業機械學報，2023，54（12）：261- 271.

[22]Wang QL，Wu BG，Zhu PF，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，WA，USA.IEEE，2020：11531- 11539.

[23]Hou QB，ZhouDQ，Feng JS.Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conferenceon Computer Vision and Pattern Recognition（CVPR），Nashville， TN，USA.IEEE，2021：13708-13717.

[24]ParkJ，WooS，LeeJY，etal.BAM：bottleneckattentionmodule[J/OL]. arXiv： 1807.06514[cs.CV]，2018. https：//doi. org/10.48550/arXiv.1807.06514.

[25］曹玉芬，劉鳳之，胡紅菊，等.梨種質資源描述規范和數據 標準[M].北京：中國農業出版社，2006：85.