基于卷積神經網絡的水稻葉片病害檢測與識別研究進展

中圖分類號：S435.1；TP391.4 文獻標識碼：A 文章編號：2095-5553（2025）10-0176-08

Abstract：The preventionandcontrolof rice leaf diseases inour countryhas always beenatop priority.Therealizationof fastandaccurate disease detectionand classificationidentificationcanhelp todetectandtaketreatment measuresatanearly stage inatimely manner，thus improving theyieldand qualityofrice.Byanalyzing the existing riceleaf disease detection andrecognitionalgorithms，itisfound thatleafdiseasedetectionbasedontraditional imageprocesing methodsisineficient andinaccurate.However，with thecontinuous developmentof deep learning，disease detectionand recognition basedon convolutional neuralnetwork has becomeanimportant topic forresearchers.Aimingatthe model algorithms usedinrecent years，this paper summarizes the improvement strategies such as data preprocessing and data enhancement，framework structure improvement and transfer learning，compares andanalyzes the performance and limitations of these algorithms， andfinds that most models have the problem of imbalance between acuracy and model parameter quantity performance. Finall，the futureresearch trendsare prospected from the aspectsofdatasetconstruction，modelperformance balanceand generalizationability，whichcanprovidereferenceforeficientdetectionand identificationofriceleaf diseases inthe future.

Keywords：riceleaf;diseasedetectionandidentication；convolutionalneuralnetwork；targetdetection;classicationand identification；improvement strategy

0 引言

水稻作為世界上重要的糧食作物之一，不僅是我國，也是許多其他國家重要的口糧[1]。我國是世界上水稻種植面積最大的國家之一，種植范圍主要集中在東北平原、長江流域的上、中、下游和東南沿海等區域[2]。根據國家統計局發布的數據，截至2023年，我國水稻種植面積達到 ，稻谷產量為206600kt ，水稻生產在我國國民經濟中具有極其重要的地位。盡管水稻是高經濟價值農作物，但在種植過程中，普遍面臨著細菌、真菌和病毒等多種病害的侵擾，從而導致產量下降，影響經濟效益[3]。因此，及時發現和治療水稻病害對于保障水稻產量和品質至關重要。水稻病害大多發生在葉片上，葉片長度較長并且形狀較窄，病害不容易被察覺，尤其是當不同的病害呈現出相似的癥狀或同一種病害表現出多樣化的病斑時，由于許多種植者對水稻植株病害的認知程度不足，難以準確識別病害類型，人工肉眼識別通常會出現高概率的誤判。有時，農民還會尋求專家幫助，但這種方式耗時費力且效率低下。

自2006年深度學習4概念被提出以來，深度學習技術逐漸在不同領域得到廣泛應用，包括農業領域的病蟲害檢測、產量估算和農作物科學監管等方面。卷積神經網絡（CNN）作為深度學習中的重要技術之一，因其在圖像特征提取和數據分析方面的優秀表現，被廣泛應用于水稻葉片病害檢測與識別的研究中，并已取得了顯著的研究成果。CNN能夠從輸入的水稻葉片病害圖像中自動提取相關特征[5]。相比于人工肉眼識別水稻葉片病害類型，基于CNN的方法實現了水稻葉片病害的自動化檢測，減少了對人為干預的依賴，提高了流程的精度和效率。

本文旨在分析基于CNN的水稻葉片病害檢測與識別網絡模型，分別論述近年來傳統圖像處理方法和CNN在水稻葉片病害檢測與識別方面的研究進展，比較分析不同網絡模型的性能，并對水稻葉片病害檢測與識別領域未來的研究進行總結和展望。

1水稻葉片病害分類和數據集

水稻是亞洲最主要的糧食作物之一，具有重要的經濟意義[6]。然而，水稻葉片病害的出現給水稻的產量和品質帶來了巨大的威脅。因此，及時發現與治療水稻葉片病害對確保水稻的質量和品質至關重要。

1.1水稻葉片病害的種類

水稻葉片病害的種類非常豐富，常見的葉片病害包括稻瘟病、白葉枯病、褐斑病和紋枯病等。圖1展示了幾種常見的水稻葉片病害類型。

1）稻瘟病：常見于葉部和節部，葉片呈現深色斑塊到圓形斑點，邊緣呈薄紅色，中心呈灰白色。

2）白葉枯病：主要發生于葉片和葉鞘上。初期在稻葉邊緣產生半透明黃色小斑，中期發展為波紋狀的黃綠或灰綠色病斑，后期轉為灰白色，葉片向內卷曲。

3）褐斑病：水稻從葉尖和葉邊緣開始，病變逐漸 擴展到全葉；病斑初為褐色水漬狀小點，然后擴大呈紡錘形、長橢圓形或不正形條斑，最后病斑的中心變灰褐色，組織壞死。

4）紋枯病：病株近水面會呈暗綠色斑點，后擴大 呈灰綠色。

圖1常見的水稻葉片病害類型 Fig.1 Common rice leaf disease types

1.2水稻葉片病害數據集

由于水稻葉片形狀較窄，在其早期生長階段，病害往往難以被及時發現，并且一些病害的癥狀相似度較高，給水稻葉片病害數據采集帶來一定的困難。因此，水稻葉片病害數據集的數量顯著低于人臉識別和交通檢測等領域的數據集。目前研究人員大多使用公開數據集或者自建數據集，表1總結了現有的公開水稻葉片病害數據集。

表1公開水稻葉片病害數據集 Tab.1 Dataset of publicly available rice leaf diseases

研究人員通常使用自建數據集，主要通過高分辨率圖像設備采集數據。在當地稻田實時拍攝被感染和未被感染的水稻葉片樣本，或者將已拍攝的水稻葉片病害圖像與公開的水稻葉片病害數據集結合，以擴充數據集的規模，豐富樣本的多樣性。

2基于傳統圖像處理的水稻葉片病害檢測與識別算法研究

在深度學習還未廣泛應用于農作物病害檢測與識別領域之前，研人員主要使用傳統的圖像處理方法進行水稻葉片病害檢測。傳統的圖像處理方法運用不同的技術（如濾波、聚類和直方圖等）以及圖像處理算法（如SVM、KNN和隨機森林等）來檢測水稻葉片病害類型。Ghyar等[13]提出一種基于計算機視覺的水稻葉片病害分類系統，首先采用K一means方法對圖像進行分割，利用灰度共生矩陣（GLCM）和顏色矩提取病害的紋理和顏色特征，然后運用遺傳算法篩選相關特征，消除冗余特征，最后使用人工神經網絡（ANN）和支持向量機（SVM）算法對120張水稻葉片病害圖像進行分類。結果表明，ANN的分類準確率為87.5% ，SVM分類準確率為 92.5% 。Htun等[14]設計一個基于圖像處理技術的水稻葉片病害自動檢測與分類系統。通過對收集到的143張彩色水稻葉片病害圖像進行處理，轉換成灰度圖像，再運用主成分分析（PCA）顏色矩和GLCM提取圖像特征信息，最后利用SVM算法對病害圖像進行分類。結果表明，該系統的平均分類準確率達到 90% 。Bashir等[15]采用基于SVM的方法對400張水稻葉片病害圖像進行檢測與分類。通過使用EMGUI函數對圖像進行預處理，將葉片圖像轉換為灰度圖像，結合SIFT算法和BFmatcher對特征信息進行檢測和匹配，再使用SVM算法對病害進行分類，算法識別準確率為 94.16% 。Sharma等[16]使用貝葉斯分類器和最小距離分類器對200張水稻葉片病害圖像進行檢測，使用不同的特征向量來檢測水稻葉片中的病害類型。結果表明，貝葉斯分類器和最小距離分類器的總體準確率分別為69.35%.81.06% 。Saha等[17采用強度矩作為特征向量提取水稻葉片病害圖像的特征信息，運用隨機森林算法對352張葉片病害圖像進行分類，算法的總體識別準確率達 91.47% 。Thepade等[18提出一種基于Otsu 閥值與Thepade分塊截斷編碼（TSBTC）特征融合的水稻葉片病害檢測方法。該方法使用Otsu閾值法提取圖像的局部特征，TSBTC提取全局特征，將提取的特征信息融合生成特征向量，以實現對3344張葉片病害圖像的識別，總體識別精度達 85.9% 。

傳統的圖像處理方法通常依賴較小規模的數據集，無法充分覆蓋多尺寸和大規模數據集訓練的需求。在圖像特征提取方面，通常需要單獨設計特征提取算法，然而，這些算法缺乏對不同類型葉片病害和多樣化圖像條件的通用性，進而影響分類器性能的穩定性。此外，傳統方法往往采用線性或簡單的非線性分類器，難以捕捉圖像中的復雜非線性關系和高階特征，導致其在處理復雜葉片病害分類任務時的效果受到限制。

3基于卷積神經網絡的水稻葉片病害檢測與識別算法研究

隨著卷積神經網絡技術在農業領域的持續發展，農作物病蟲害檢測成為當前的研究熱點之一。近年來，越來越多的研究人員投入到水稻葉片病害檢測與識別領域的研究中，提出了多種卷積神經網絡模型，用于實現對水稻葉片病害的檢測。CNN善于從輸入數據中提取局部特征，將低級形狀和紋理特征轉化為高級語義特征，在圖像檢測與識別中表現出明顯的優勢，且可以有效應用于大規模數據集[19]。CNN目前是農作物病害檢測和分類中廣泛采用的深度學習方法之二[20]，由卷積層、池化層、激活層和全連接層組成，如圖2所示。卷積層中的卷積核大小控制著對輸入信息中局部空間關聯性特征的提取，旨在增強原始信號的某些特征并抑制噪聲的干擾21；池化層通過統計相鄰區域的特征值來替代單點值，在減少數據維度的同時又保留有效特征信息。常見的卷積神經網絡有ResNet22]、DenseNet[23]、GoogleNet[24]、EfficientNet[25等。

圖2卷積神經網絡結構

Fig.2 Convolutional neural network structure

盡管常見的卷積神經網絡具有強大的特征提取能力，但其直接用于水稻葉片病害檢測時，模型檢測性能較低。因此，研究人員對CNN模型提出改進，本文篩選的CNN模型主要通過數據預處理與數據增強、框架結構改進和遷移學習等方法來提高模型性能。

3.1數據預處理與數據增強

在深度學習應用中，數據集的擴充和質量提升是關鍵任務，這直接影響模型可以學習到的有效特征的數量。為解決這一問題，可以通過數據預處理和數據增強操作處理數據集。表2列舉篩選部分文獻中使用的數據預處理與數據增強方法。

表2文獻中數據預處理和數據增強方法Tab.2Data preprocessing and data augmentation methodsin the literature

數據預處理是指在對數據進行挖掘之前，對數據進行必要的清洗、整合、轉換、離散、特征選擇和提取等一系列處理，以滿足挖掘算法獲得所需知識的規范與標準。常見的方法有數據篩選、尺寸調整、分辨率變換和對比度調整等。

數據增強是指在不實質性增加數據量的情況下，讓有限的數據產生更多的數量。常見方法有翻轉、旋轉、隨機裁剪、添加噪聲、模糊處理以及顏色變換等[26]。

3.2 框架結構改進

在對數據集進行改進和擴充后，為進一步提高模型性能，通常會采用框架結構改進的方法，例如替換模型的主干網絡、添加注意力機制和特征金字塔等。

3.2.1替換主干網絡

主干網絡是目標檢測任務的基本特征提取器，不同的主干網絡在特征提取的能力上有所差異，通過替換主干網絡可以增強模型的特征提取能力，從而提升模型的整體性能。不同的檢測任務對特征提取的需求不同，通過替換可以使模型更好地適應特定任務的需求。

周維等[31將YOLOv4的主干特征提取網絡CSPDarkNet53替換為輕量化GhostNet，采用 3×3 深度可分離卷積代替普通 3×3 卷積，改進網絡結構并提高特征提取的能力。Kumar等[33通過將YOLOv5的主干網絡替換為DenseNet—2O1解決梯度消失問題，同時提升信息流動效率。Jia等34將MobileNetV3—small替換為YOLOv7的主干特征提取網絡，使網絡具有深度可分離卷積和線性瓶頸殘差結構。模型具有高效的檢測速度，并且減少網絡的占用內存。

3.2.2 添加注意力機制

注意力機制的主要作用是通過對輸入圖像的特征權重動態調整，使模型注意力集中在最重要的特征區域，同時抑制特征的不相關部分[36]，從而提高模型精度。簡而言之，在模型上添加注意力機制可以提升模型的特征提取能力。水稻葉片形狀小而窄，因此網絡模型的特征提取能力至關重要，增強特征提取能力將使模型能夠提取到更有效的葉片病害區域特征信息，從而提高模型的檢測準確度。

高雨亮等2在網絡中加入分組注意力機制，在通道維度上先對輸入特征進行分組，再賦予每組特征通道注意力和空間注意力權重，有效提高模型的特征提取能力。潘晨露等[28將高效通道注意力（ECA）模塊與Ghost模塊相結合，構建G一ECALayer結構，如圖3所示。G—ECALayer使用線性變換代替卷積運算，從而避免了在學習通道注意力時特征信息維度的縮減，顯著提升了對通道特征信息的提取效率。衛雅娜等[29]結合了輕量級卷積注意力模塊（CBAM，它可以從通道和空間2個維度為特征圖的各部分賦予不同的權重，從而將注意力集中在重要的特征信息上。嚴陳慧子等[32在模型的頸部網絡加人了8個坐標注意力（CA）模塊，有助于突出圖像中葉片病害區域的特征信息，減少不相干區域的干擾，提高檢測準確度。袁培森等35將MobileNetV3—small中的擠壓和激勵（SE）注意力模塊替換為輕量化ECA模塊，在處理圖像特征時可以自動地為不同通道分配不同的權重，使模型更加注重圖像的關鍵特征信息，提升性能并減小參數規模，實現輕量化操作。路陽等[3在模型的各模塊交匯處添加了CA模塊，增強了模型對重要特征信息的提取能力。然而，由于CA模塊接收到的特征圖是模型處理后高維拼接的，這可能使得葉片病害的特征信息過于分散且不利于進一步分析。為此，在CA中引入一個包含2個1D卷積的DCA模塊，這使得模型能夠過濾掉大量無用的非病害特征信息，防止病害特征數據的多次重復迭代，從而提高模型對水稻葉片病害的檢測精度。

3.2.3 特征金字塔

特征金字塔可以學習圖像不同尺度特征圖的信息，從而達到特征融合的目的，其結構如圖4所示。特征融合是指來自不同層或分支的特征組合，是現代網絡體系結構中很常見的一種操作。特征融合方法能夠綜合利用多種圖像特征，實現多特征的優勢互補，獲得更加準確的識別結果。通過融合多尺度的數據信息，模型可以更好地適應不同尺寸的目標并進行預測，從而提升模型的泛化能力和魯棒性[38]。對于水稻葉片病害這一小目標而言，小尺度的特征映射難以提供必要的分辨率信息，因此需要結合大尺度的特征映射。而在深層網絡中，過度的下采樣容易導致信息丟失，從而可能忽略小目標的信息。因此，使用特征金字塔對模型進行特征融合可以更好地提取水稻葉片病害區域的特征信息。

圖3G-ECALayer結構Fig.3G—ECALayerstructure

Kumar等[33使用了雙向特征金字塔網絡，將加權特征融合和雙向跨尺度連接結合到模型中，構建多尺度特征融合模塊。為了更加有效地進行特征提取，多尺度特征融合在不同的分辨率下組合特征。引入雙向特征金字塔網絡旨在增強特征向量，提高主干網絡各階段的特征提取效率，實現高級語義特征與低級細粒度特征的融合。

3.3 遷移學習

遷移學習[39]通常使用預訓練模型實現，其目標是通過發現相似性，將一個任務上的知識遷移到新任務上。具體而言，將大型基準數據集上預訓練的模型應用到水稻葉片病害的小型數據集，不僅解決了數據集樣本不足的問題，還提高了模型的特征提取能力，減少了訓練時間和成本，同時利用模型已有的知識和經驗，提升模型的性能和泛化能力。

Upadhyay[30采用預訓練的InceptionV3模型權重，并將其遷移到水稻葉片病害數據集上進行訓練，使模型獲得更多的特征信息，并顯著提升訓練效率。周維等[31利用公開的目標檢測數據集PASCALVOC的預訓練權重，結合凍結訓練的遷移學習策略，不僅加快了模型的訓練速度，還降低了對計算資源的需求。袁培森等[35]將在PlantVillage數據集[40]上訓練得到的預訓練權重遷移到水稻葉片病害識別模型，結果表明，相比于未使用遷移學習的模型，其識別準確率提高 2.45% 。

4檢測性能對比

通過對上述文獻的研究與分析，總結基于傳統圖像處理方法的水稻葉片病害檢測與識別算法，如表3所示。而基于卷積神經網絡的水稻葉片病害檢測與識別模型則根據改進策略、模型準確率、網絡參數量和局限性4個方面在表4中進行列舉。當前用于水稻葉片病害檢測與識別的網絡模型種類繁多，受網絡類型、數據集質量和改進方法等因素的影響，各模型在性能上表現出一定的差異。

表3基于傳統圖像處理方法的水稻葉片病害檢測與識別算法 Tab.3Rice leaf disease detection and recognition algorithms based on traditional image processing methods

注：按模型準確度由低到高排列。下同。

通過對上文基于傳統圖像處理方法和卷積神經網絡的水稻葉片病害檢測算法的論述，以及對表3和表4的分析可以看出，傳統圖像處理方法通常需要手動設計單獨的特征提取器，導致模型僅對訓練的水稻葉片病害數據集具有較好的特征提取能力。與此同時，傳統方法所使用的葉片病害數據集規模較小，這使得模型的通用性較弱；相反，基于CNN的方法通過對大規模數據集的訓練，可以自動地學習病害圖像的特征，從而更好地適應復雜的圖像結構和變化。傳統圖像處理算法相對簡單，不適用于復雜的圖像處理任務；而基于CNN的模型由多層神經網絡組成，能夠處理更復雜的圖像任務，具有較強的通用性。

表4基于CNN的水稻葉片病害檢測與識別模型 Tab.4 Rice leaf disease detection and identification models based on convolutional neural netwol

注：DA是指數據增強，DP是指數據預處理，FSI是指框架結構改進，TL是指遷移學習。由表4可知，水稻葉片病害檢測準確率最低的是 文獻[31]中的YOLOv4—GhostNet，最高的是文獻[37]

中的PRC—Net。 YOLOv4—GhostNet模型是在YOLOv4的基礎上，將主干網絡替換為輕量化的GhostNet，并應用遷移學習技術，以減小模型參數量，輕量化模型并提高檢測速度。然而，該模型的檢測準確率較低，仍有待進一步提升。相比之下，PRC一Net由3個漸進卷積塊組成，該模塊不僅擴大了模型的卷積感受野，還有效傳遞了完整的圖像特征信息，實現全局和局部特征的信息提取。此外，模型還引人了改進的坐標注意力機制CA，增強了對不同尺度葉片病害圖像特征的提取，大幅提高了模型的檢測準確率。

網絡參數方面，文獻[28]中的G一ECADenseNet網絡參數量最多，文獻[29中的CG—EfficientNet參數量最少。G—ECADenseNet模型基于DenseNet201，是一個非常深層的卷積神經網絡，包含多個密集連接的卷積塊，因此具有較多的參數量和較大的內存需求。相比之下，CG—EfficientNet模型基于輕量化網絡EfficientNet—BO，還引入了輕量級卷積注意力模塊CBAM，同時結合輕量級Ghost模塊，提高模型的運算速度，減少計算量，在保證高準確率的同時大幅降低網絡參數量。

綜合分析現有的網絡模型發現，大多數模型在提高準確率的同時，網絡復雜度也顯著增加，存在性能不平衡的問題。因此，新提出的模型應該追求性能的平衡，不僅要提高準確率和減少參數量，還應該關注精確率、召回率、檢測速度等方面的評價指標。

5展望

綜述卷積神經網絡在水稻葉片病害檢測與識別中的技術方法。首先，介紹水稻葉片病害的分類以及當前已有的數據集；隨后，探討基于傳統圖像處理的水稻葉片病害檢測與識別算法，并分析其存在的問題；再從改進策略的角度對基于卷積神經網絡的模型進行研究和分析，提出模型的局限性；最后，對模型的準確率和參數量進行比較分析。盡管卷積神經網絡在水稻葉片病害檢測與識別領域取得顯著成果，但網絡模型仍有進一步提升的空間。

1）數據集質量和規模：針對數據集質量參差不齊和多樣性不足的問題，需要建立一個大規模且標準的水稻葉片病害數據集，包括在不同時間段和天氣條件下采集的葉片病害圖像，并確保各個類別樣本數量均衡。

2）多模態數據集：引入不同形式的水稻葉片病害數據，如視頻、傳感器輸人和文本等，為模型訓練提供更豐富的特征信息，從而提升模型的性能。

3）模型性能平衡：在改進模型時，應避免為提升準確率而盲目增加模塊，導致參數量急劇增加。輕量化模塊的運用不僅能夠提高模型準確率，還可以有效控制網絡參數的規模。在后續研究中，需注重模型性能的平衡，既要提升模型的準確性，又要保證模型的高效性和適度的參數規模。

4）泛化能力：目前，大多數模型在訓練的水稻葉片病害數據集上表現較好，但在其他農作物葉片病害數據集上表現較差。因此，應探討如何提高模型的泛化能力，使其能夠適應多種農作物病害檢測，從而拓展其應用范圍。

綜上，應持續努力解決當前問題，致力于建立實時、高效、全面的水稻葉片病害檢測和識別模型。希望能夠激發更多的研究，推動水稻葉片病害檢測與識別技術的不斷進步，為農業生產提供更有效、可靠的支持。

參考文獻

[1］葉恭銀，方琦，徐紅星，等．我國水稻螟蟲發生及治理研 究進展[J].植物保護，2023，49（5）：167—180. Ye Gongyin，Fang Qi，Xu Hongxing，et al. Research advances on the occurrence，damage and management of rice stem borersin China [J]. PlantProtection，2023， 49（5）：167—180.

［2］嚴如玉，甘國渝，趙希梅，等．我國水稻優勢產區生產格 局及施肥現狀研究[J]．中國稻米，2023，29（3）：1-8. YanRuyu，GanGuoyu，Zhao Ximei，etal.Study on the production pattern and fertilization status of rice dominant production areas in China[J].China Rice，2023，29（3）： 1-8.

[3］魏賽金.有益微生物在水稻病害防治的研究進展與應用 現狀[J].生物災害科學，2020，43（1）：1—7.

[4]Hinton G E，Osindero S，Teh Y W．A fast learning algorithm for deep belief nets [J]. Neural Computation， 2006，18（7）：1527—1554.

［5］王東方，汪軍．基于遷移學習和殘差網絡的農作物病害 分類[J].農業工程學報，2021，37（4）：199－207. Wang Dongfang，Wang Jun. Crop disease classification withtransferlearningandresidualnetworks[J]. Transactions of the Chinese Society of Agricultural Engineering，2021，37（4）：199－207.

[6]KaurA，Guleria K，Trivedi NK.Rice leaf disease detection：Areview[C].2O21 6th International Conference on Signal Processing，Computing and Control （ISPCC）. IEEE，2021：418-422.

[7]Shrestha NL，Pandey P，Tiwari A，et al. Rice Disease Dataset[EB/OL].https：//kaggle.com/datasets/ nischallal/rice-disease-dataset，2021.

[8]PrajapatiHB，Shah JP，Dabhi VK.Detection and classification of rice plant diseases[J]. Intelligent Decision Technologies，2017，11（3）：357-373.

[9]Do H M. Rice diseases image dataset [EB/OL]. https：//www. kaggle. com/minhhuy28l0/ rice-diseasesimage-dataset/version/3， 2020-9-4 ：

[10] Chen L，Yuan Y.Agricultural disease image dataset for disease identification based on machine learning [C]. Big Scientific Data Management： First International Conference， 2019：263—274.

［11］陳雷，袁媛．大田作物病害識別研究圖像數據集[J]．中 國科學數據（中英文網絡版），2019，4（4）：85—91.

[12]PandarasamyA.Paddydoctor：Paddydisease classification [EB/OL]. https： //kaggle. com/competitions/ paddy-disease-classification，2022.

[13]Ghyar B S，Birajdar G K.Computer vision based approach to detect rice leaf diseases using texture and color descriptors[C].2Ol7InternationalConferenceon Inventive Computing and Informatics （ICICI）. IEEE， 2017：1074—1078.

[14]Htun K W，Htwe C S. Development of paddy diseased leafclasificationsystemusingmodifiedcolor conversion [J]. International Journal of Software 8 （204號 Hardware Research in Enginering，2018， 6（8）： 24－32.

[15]Bashir K，Rehman M，Bari M. Detectionand clasification of rice diseases：An automated approach using textural features [J]. Mehran University Research Journal of Engineeringamp;.Technology，20l9，38（1）： 239-250.

[16]Sharma V，Mir A A，Sarwr A. Detection of rice disease using bayes' classifier and minimum distance classifier [J]. Journal of Multimedia Information System，2O2O，7（1）： 17-24 ：

[17] Saha S，Ahsan S M M. Rice disease detection using intensity momentsandrandom forest [C].2021 International Conference on Information and Communication Technology for Sustainable Development （ICICT4SD）. IEEE，2021：166—170.

[18]Thepade S D，Abin D，Chauhan KH. Improved rice leaf disease detection using fusion of Otsu thresholding and thepade SBTCfeatures[C].2O22International Conferenceon Recent Trendsin Microelectronics， Automation，Computing and Communications Systems （ICMACC）. IEEE，2022： 1-6.

[19]Ning H，Liu S，Zhu Q，et al． Convolutional neural network in rice disease recognition：Accuracy，speed and lightweight［J].Frontiers in Plant Science，2O23，14： 1269371.

[20］肖小梅．基于深度學習的水稻害蟲圖像識別研究[D]．南 昌：江西農業大學，2022.

[21]Tian Y. Artificial intelligence image recognition method based on convolutional neural network algorithm「J]. IEEE Access，2020，8：125731—125744.

[22]He K，Zhang X，Ren S，et al. Deep residual learning for image recognition [C].Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition， 2016： 770—778.

[23]Huang G，Liu Z，Van Der Maaten L，et al.Densely connected convolutional networks [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2017： 4700—4708.

[24]SzegedyC，Liu W，Jia Y，etal.Going deeper with convolutions [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015： 1-9 ：

[25]Tan M，LeQ.EfficientNet：Rethinking model scaling for convolutional neural networks [C]. International Conference onMachineLearning. PMLR，2019：6105—6114.

[26]Kim EK，Kim JY，Kim B，et al.Data augmentation methodbasedonfeatureextractionfor improving classification performance of CNN[C]. 2O22 13th Asian Control Conference（ASCC）. IEEE，2022：1126—1130.

[27]高雨亮，徐向英，章永龍，等．融合分組注意力機制的水 稻病蟲害圖像識別算法［J].揚州大學學報（自然科學 版），2021，24（6）：53—57. Gao Yuliang，Xu Xiangying，Zhang Yonglong，et al. Image recognition algorithm of rice diseases and insect pests based on shuffle attention mechanism [J]. Journal of Yangzhou University（Natural Science Edition），2021， 24（6）：53-57.

[28]潘晨露，張正華，桂文豪，等．融合ECA機制與 DenseNet201的水稻病蟲害識別方法[J].智慧農業（中英 文），2023，5（2）：45-55. Pan Chenlu， Zhang Zhenghua，Gui Wenhao，et al. Rice disease and pest recognition method integrating ECA mechanism and DenseNet2O1 [J]. Smart Agriculture， 2023，5（2）：45-55.

[29]衛雅娜，王志彬，喬曉軍，等．基于注意力機制與 EfficientNet的輕量化水稻病害識別方法［J]．中國農機化 學報，2022，43（11）：172—181. Wei Yana，Wang Zhibin，Qiao Xiaojun，etal. Lightweight rice disease identification method based on attention mechanism and EficientNet [J]．Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 172—181.

[30]Upadhyay S K. Deep transfer learning-based rice leaves diseasediagnosisandclassification model using InceptionV3[C]．2022 International Conference on Computational Intellgence and Sustainable Engineering Solutions（CISES）.IEEE，2022：493-499.

[31]周維，牛永真，王亞煒，等．基于改進的YOLOv4— GhostNet水稻病蟲害識別方法［J].江蘇農業學報， 2022，38（3）：685-695. ZhouWei，Niu Yongzhen，WangYawei，etal.Ricepests and diseases identification method based on improved YOLOv4—GhostNet[J]. Jiangsu Journal of Agricultural Sciences，2022，38（3）：685-695.

[32]嚴陳慧子，田芳明，譚峰，等．基于改進YOLOv4的水稻 病害快速檢測方法[J].江蘇農業科學，2023，51（6）： 187—194.

[33]KumarVS，JaganathanM，ViswanathanA，et al.Rice leaf disease detection based on bidirectional feature attention pyramid network with YOLOv5 model[J]. Environmental ResearchCommunications，2023，5（6）：065014.

[34]Jia L，Wang T，Chen Y，et al.MobileNet—CA— YOLO：AnimprovedYOLOv7basedonthe MobileNetV3 and attention mechanism for rice pests and diseasesdetection[J].Agriculture，2023，13（7）：1285.

[35]袁培森，歐陽柳江，翟肇裕，等.基于MobileNetV3Small— ECA的水稻病害輕量級識別研究[J].農業機械學報， 2024，55（1）：253—262. YuanPeisen， Ouyang Liujiang，Zhai Zhaoyu，et al. Lightweight identification of rice diseases basedon improved ECA andMobileNetV3Small[J].Transactions"of the Chinese Society for Agricultural Machinery，2024， 55（1）：253-262.

[36］祁宣豪，智敏．圖像處理中注意力機制綜述[J]．計算機 科學與探索，2024，18（2）：345—362.

[37］路陽，劉鵬飛，許思源，等．改進注意力機制嵌入PR—Net 模型的水稻病害識別仿真[J]．系統仿真學報，2024， 36（6）： 1322—1333.

[38］張英俊，甘望陽，謝斌紅，等．融合多尺度特征與注意力 的小樣本目標檢測［J]．小型微型計算機系統，2025， 46（3）： 689-696. Zhang Yingjun，Gan Wangyang，Xie Binhong，et al. Few-shot object detection integrating multi-scale feature and attention [J]. Journal of Chinese Computer Systems， 2025，46（3）：689-696.

[39］羅小娟，胡鵬昊．基于深度學習的農場蟲情檢測算法研 究及實現[J].華東理工大學學報（自然科學版），2024， 50（5）：732-739. Luo Xiaojuan，Hu Penghao. Research and implementation offarm insect detection algorithm based on deep learning［J].Journal of East China University of Science and Technology，2024，50（5）：732—739.

[40] Hughes D，Salathé M. An open access repository of images on plant health to enable the development of mobile diseasediagnostics[J].arXiv preprintarXiv： 1511.08060，2015.