劉小玲 崔艷榮

摘要：針對(duì)真實(shí)環(huán)境下蘋(píng)果葉片病害識(shí)別背景復(fù)雜、識(shí)別準(zhǔn)確率不高的問(wèn)題，提出了一種改進(jìn)輕量化網(wǎng)絡(luò)MobileNeXt的蘋(píng)果葉片病害識(shí)別方法。首先收集了4類(lèi)常見(jiàn)蘋(píng)果葉片病害圖像樣本，每類(lèi)由簡(jiǎn)單背景圖像與復(fù)雜背景圖像混合，通過(guò)多種數(shù)據(jù)增強(qiáng)方式對(duì)圖像進(jìn)行處理，以增加樣本多樣性，提高模型的泛化能力。接著基于輕量化網(wǎng)絡(luò)MobileNeXt中的sandglass結(jié)構(gòu)，引入?yún)f(xié)調(diào)注意力機(jī)制CA分配權(quán)重，以區(qū)分目標(biāo)與背景，同時(shí)結(jié)合Inception模塊與Ghost模塊，設(shè)計(jì)了2種SCI（Sandglass-CA-Inception）結(jié)構(gòu)，在參數(shù)增加量盡可能小的前提下，擴(kuò)充網(wǎng)絡(luò)深度與寬度，增強(qiáng)模型對(duì)于背景復(fù)雜病害圖像的特征學(xué)習(xí)能力。試驗(yàn)結(jié)果表明，改進(jìn)后的模型相比于MobileNeXt，Top-1準(zhǔn)確率提升了1.23百分點(diǎn)，平均精確率提升了1.18百分點(diǎn)，參數(shù)量只增加了0.62M，為真實(shí)場(chǎng)景下的蘋(píng)果葉片病害識(shí)別提供了一種有效的解決方案。

關(guān)鍵詞：蘋(píng)果病害識(shí)別；輕量化網(wǎng)絡(luò)；MobileNeXt；sandglass；協(xié)調(diào)注意力機(jī)制；Inception；Ghost

中圖分類(lèi)號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）10-0185-08

蘋(píng)果富含維生素和礦物質(zhì)，是最受歡迎的水果之一。我國(guó)是世界上最大的蘋(píng)果生產(chǎn)國(guó)與消費(fèi)國(guó)［1］，據(jù)聯(lián)合國(guó)糧農(nóng)組織統(tǒng)計(jì)，我國(guó)蘋(píng)果產(chǎn)量超過(guò)美國(guó)與波蘭，位列第一。在山東省、陜西省等以果樹(shù)產(chǎn)業(yè)為主的地區(qū)，發(fā)展蘋(píng)果種植產(chǎn)業(yè)是當(dāng)?shù)毓r(nóng)脫貧致富的重要手段，更是促進(jìn)農(nóng)業(yè)產(chǎn)業(yè)化與農(nóng)村經(jīng)濟(jì)發(fā)展的有效途徑［2］。然而，蘋(píng)果的質(zhì)量與產(chǎn)量易受蘋(píng)果病害的影響，若能快速準(zhǔn)確地識(shí)別蘋(píng)果病害，及時(shí)防控，便能減少經(jīng)濟(jì)損失，保證蘋(píng)果產(chǎn)業(yè)的可持續(xù)健康發(fā)展［3］。

蘋(píng)果病害主要發(fā)生在葉部。傳統(tǒng)病害識(shí)別由人工現(xiàn)場(chǎng)觀測(cè)葉片，或者提取葉片病害圖像的淺層特征，如顏色特征、紋理特征等，準(zhǔn)確率與效率都很低，難以準(zhǔn)確快速地識(shí)別病害種類(lèi)。隨著人工智能時(shí)代發(fā)展，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法成為主流，廣泛應(yīng)用于礦業(yè)［4］、電力工業(yè)［5］、農(nóng)業(yè)［6］、醫(yī)學(xué)［7］等各個(gè)領(lǐng)域。深度學(xué)習(xí)方法大幅提高了農(nóng)作物病害識(shí)別的準(zhǔn)確率［8-9］，但較深的網(wǎng)絡(luò)結(jié)構(gòu)產(chǎn)生了大量參數(shù)，增加了計(jì)算量，提高了模型對(duì)設(shè)備的內(nèi)存要求，計(jì)算速度也隨之降低。為了平衡模型精度、尺寸與效率，研究者們提出了各種輕量化卷積神經(jīng)網(wǎng)絡(luò)［10］模型，主要有SqueezeNet［11］、Xception［12］、ShuffleNet［13-14］系列、MobileNet［15-17］系列，在農(nóng)作物病害識(shí)別方面取得了不錯(cuò)的效果。洪惠群等利用遷移學(xué)習(xí)和番茄單作物數(shù)據(jù)集，比較訓(xùn)練了Xception和ShuffleNetV20.5x模型，并將ReLU激活函數(shù)替換為L(zhǎng)eakyReLU，識(shí)別準(zhǔn)確率提高到86.5%［18］；孫俊等在MobileNetV2模型上嵌入坐標(biāo)注意力機(jī)制，對(duì)不同尺寸特征圖進(jìn)行上采樣融合，并使用分組卷積，在16類(lèi)背景復(fù)雜農(nóng)作物葉片病害數(shù)據(jù)集中識(shí)別準(zhǔn)確率為92.20%，較改進(jìn)前提高了2.91百分點(diǎn)［19］；李好等引入ECA注意力模塊與H-Swish激活函數(shù)，減少ShuffleNetV2模型中單元個(gè)數(shù)，使得參數(shù)量明顯減少，在PlantVillage數(shù)據(jù)集上識(shí)別平均準(zhǔn)確率高達(dá)99.26%［20］。

本研究基于MobileNet系列輕量化網(wǎng)絡(luò)，尤其是新一代的MobileNeXt［21］模型，對(duì)蘋(píng)果葉片病害數(shù)據(jù)集進(jìn)行分類(lèi)識(shí)別，并做出相應(yīng)改進(jìn)使其適應(yīng)真實(shí)環(huán)境，可將訓(xùn)練好的模型部署于移動(dòng)端，在戶外場(chǎng)景對(duì)蘋(píng)果葉片病害進(jìn)行實(shí)時(shí)識(shí)別，便于果農(nóng)及時(shí)采取措施，減少經(jīng)濟(jì)損失。

1試驗(yàn)材料

1.1數(shù)據(jù)來(lái)源

本次研究對(duì)象為由西北農(nóng)林科技大學(xué)采集的蘋(píng)果葉片病害數(shù)據(jù)集，包括斑點(diǎn)落葉病、灰斑病、花葉病、銹斑病共4類(lèi)常見(jiàn)蘋(píng)果葉片病害圖像，每類(lèi)由簡(jiǎn)單背景圖像與復(fù)雜背景圖像混合，在晴天和陰雨天條件下均有采集，使得數(shù)據(jù)集更具豐富性與多樣性。圖像大小為512×512像素，具體如圖1所示。

1.2數(shù)據(jù)預(yù)處理

為了防止樣本數(shù)據(jù)不足導(dǎo)致網(wǎng)絡(luò)訓(xùn)練出現(xiàn)過(guò)擬合情況，在訓(xùn)練之前，對(duì)蘋(píng)果葉片病害圖像進(jìn)行了數(shù)據(jù)增強(qiáng)，擴(kuò)充數(shù)據(jù)集的同時(shí)增加訓(xùn)練樣本的多樣性。通過(guò)圖像旋轉(zhuǎn)、水平和垂直鏡像，亮度、對(duì)比度調(diào)整等完成對(duì)數(shù)據(jù)集的預(yù)處理，得到蘋(píng)果葉片病害數(shù)據(jù)集信息（表1），預(yù)處理過(guò)程如圖2所示。該數(shù)據(jù)集以訓(xùn)練集∶測(cè)試集=8∶2劃分，訓(xùn)練時(shí)將從訓(xùn)練集中按0.2比例劃分出驗(yàn)證集。

2試驗(yàn)方法

2.1網(wǎng)絡(luò)結(jié)構(gòu)

本研究基于輕量化網(wǎng)絡(luò)MobileNeXt。MobileNeXt中提出了新穎的sandglass結(jié)構(gòu)，該結(jié)構(gòu)根據(jù)MobileNetV2中的逆殘差結(jié)構(gòu)設(shè)計(jì)，沿用了MobileNetV1的深度可分離卷積方式（即Dwise），更大程度上實(shí)現(xiàn)高效與輕量化。模型整體由sandglass

模塊簡(jiǎn)單堆疊構(gòu)成，如圖3所示，s表示步長(zhǎng)，b表示sandglass模塊重復(fù)個(gè)數(shù)，步長(zhǎng)為2只作用于每層的第一個(gè)模塊。本研究的蘋(píng)果葉片病害識(shí)別流程如圖4所示，通常在真實(shí)環(huán)境下采集的葉片病害圖像背景較為復(fù)雜、病斑大小與分布位置均有不同，為提高M(jìn)obileNeXt在實(shí)際應(yīng)用場(chǎng)景中的表現(xiàn)能力，將對(duì)其進(jìn)行相應(yīng)改進(jìn)。

2.2sandglass結(jié)構(gòu)

深度可分離卷積是一種常規(guī)卷積的替代方式，可以達(dá)到輕量化參數(shù)與計(jì)算量的需求，在MobileNetV1中實(shí)現(xiàn)，并貫穿于整個(gè)MobileNet系列網(wǎng)絡(luò)結(jié)構(gòu)中。深度可分離卷積包含2個(gè)步驟：深度卷積與點(diǎn)卷積，深度卷積是指單獨(dú)對(duì)輸入圖像的每個(gè)通道進(jìn)行卷積，卷積核大小一般為3×3，輸出通道數(shù)與輸入一致；點(diǎn)卷積則將上一步得到的特征圖組合生成新的特征圖，卷積核大小為1×1，輸出通道數(shù)與卷積核個(gè)數(shù)一致。常規(guī)卷積與深度可分離卷積過(guò)程如圖5所示，假設(shè)常規(guī)卷積核大小為k，深度卷積核大小為d，輸入圖像大小為H×W，輸入通道數(shù)與輸出通道數(shù)分別為Cin、Cout，則普通卷積參數(shù)量Nstd與計(jì)算量Cstd為

自2015年何凱明等提出了深度殘差神經(jīng)網(wǎng)絡(luò)（ResNet）［22］以來(lái)，該模型中的殘差結(jié)構(gòu)引起了研究者們極大的關(guān)注，且應(yīng)用日益廣泛。殘差結(jié)構(gòu)如圖6-a所示，采用跳躍連接，將淺層特征過(guò)渡至深層重復(fù)學(xué)習(xí)，解決了網(wǎng)絡(luò)加深時(shí)會(huì)出現(xiàn)的梯度爆炸或梯度消失問(wèn)題。所學(xué)習(xí)的殘差函數(shù)可表示為F（），令激活函數(shù)為g（），則輸出函數(shù)為H（x）=g［F（x）+x］，當(dāng)學(xué)習(xí)到的殘差F（x）=0時(shí)，H（x）=x表示恒等映射。

逆殘差結(jié)構(gòu)是殘差結(jié)構(gòu)的變體，如圖6-b所示，在MobileNetV2中提出。逆殘差結(jié)構(gòu)將普通3×3卷積替換為深度可分離卷積，以減少計(jì)算量；采用升維-卷積-降維的方式，使得模型能在高維空間學(xué)習(xí)更多樣化的特征；同時(shí)使用非線性激活函數(shù)ReLU6與線性函數(shù)Linear，前者設(shè)置輸出邊界以滿足移動(dòng)端的低精度需求，后者防止維度變換過(guò)程中的信息丟失。但是，逆殘差的輸入特征需要先降維，難以保留足夠的有效信息，且跳躍連接所跨維度較少，可能阻礙梯度回傳。

注意力機(jī)制即告知模型應(yīng)該“看什么”與“看哪里”，可有效提高模型對(duì)重要信息的關(guān)注度。在輕量化網(wǎng)絡(luò)結(jié)構(gòu)中，使用較多的注意力機(jī)制是SE［24］、CBAM［25］。SE利用了二維全局池化降低計(jì)算成本，但只考慮了通道間的信息編碼；CBAM結(jié)合了通道注意力與空間注意力，但通過(guò)卷積只能捕獲局部的位置信息，無(wú)法建立大范圍的空間依賴(lài)關(guān)系。協(xié)調(diào)注意力機(jī)制CA［26］在SE的基礎(chǔ)上，將位置信息嵌入通道信息中，實(shí)現(xiàn)了大范圍上的注意。具體是將通道注意力分解為2個(gè)并行的一維特征編碼過(guò)程，然后整合到生成的注意力特征圖上，從而緩解二維全局池化導(dǎo)致的位置信息丟失。具體結(jié)構(gòu)如圖7所示，GAP表示全局平均池化。

CA模塊能夠捕獲特征跨通道信息、方向感知和位置敏感信息，有助于模型集中識(shí)別目標(biāo)區(qū)域，且參數(shù)量較小，不會(huì)增加過(guò)多的計(jì)算開(kāi)銷(xiāo)。本次研究所用數(shù)據(jù)集中包含背景復(fù)雜圖像，為了更好地區(qū)分目標(biāo)與背景，本研究將CA模塊插入到sandglass模塊中第1個(gè)3×3深度卷積之后，通過(guò)注意力權(quán)重分配來(lái)幫助模型更好地定位感興趣的區(qū)域。

2.4Inception模塊

增加網(wǎng)絡(luò)深度與寬度是提升網(wǎng)絡(luò)性能最直接的方法，但因此也會(huì)產(chǎn)生大量參數(shù)，為解決這一問(wèn)題，研究者們提出了Inception［27］模塊。受生物神經(jīng)系統(tǒng)稀疏連接的啟發(fā)，Inception模塊將不同的卷積層并聯(lián)結(jié)合，并串聯(lián)拼接不同卷積層處理的結(jié)果矩陣得到更深的子矩陣，既保持了網(wǎng)絡(luò)結(jié)構(gòu)的稀疏性，又通過(guò)將稀疏矩陣聚類(lèi)為密集子矩陣提高了計(jì)算性能。由圖8可知，Inception模塊包含4個(gè)分支，分別使用了3種不同尺寸卷積核與1個(gè)最大池化核，提供了不同大小的感受野，增加了網(wǎng)絡(luò)對(duì)不同尺寸的適應(yīng)性。

2.5Ghost模塊

Ghost模塊是GhostNet［28］模型的核心模塊，由華為諾亞方舟實(shí)驗(yàn)室提出，旨在通過(guò)低成本操作來(lái)生成更多特征圖。由圖9可知，Ghost模塊可分為2個(gè)部分，首先使用普通卷積對(duì)輸入特征進(jìn)行濃縮整合，生成本特征圖，接著對(duì)其進(jìn)行線性變換φ生成Ghost特征圖，最終輸出特征圖由本特征圖與Ghost特征圖拼接而成。

2.6SCI結(jié)構(gòu)

為了擴(kuò)充網(wǎng)絡(luò)的深度和寬度，提高模型的特征學(xué)習(xí)能力，本研究在sandglass結(jié)構(gòu)的基礎(chǔ)上結(jié)合協(xié)調(diào)注意力機(jī)制與Inception模塊，設(shè)計(jì)出2種SCI（Sandglass-CA-Inception）結(jié)構(gòu)（圖10）。在SCI_1結(jié)構(gòu)中，用Inception1模塊代替了sandglass結(jié)構(gòu)中用于升維的第2個(gè)1×1卷積，設(shè)計(jì)思路是希望在升維的同時(shí)進(jìn)行多尺度特征提取與融合，以獲取更為豐富的特征信息。SCI_2結(jié)構(gòu)則是針對(duì)步長(zhǎng)為2的情況設(shè)計(jì)，Inception2模塊代替第2個(gè)3×3深度卷積，利用不同卷積與池化分支提供不同大小的感受野，一定程度上減少特征圖分辨率降低帶來(lái)的信息損失。此外，為了防止參數(shù)增加量過(guò)多，將Inception模塊中的1×1卷積替換為Ghost模塊，其他尺寸卷積沿用深度可分離卷積方式。

3試驗(yàn)結(jié)果與分析

3.1試驗(yàn)環(huán)境

本研究均使用同一算力平臺(tái)OpenBayes，CPU型號(hào)為AMDEPYC7773×64-COREProcessor，GPU型號(hào)為RT×3090，顯存24GB。使用Linu×系統(tǒng)開(kāi)發(fā)環(huán)境，深度學(xué)習(xí)框架為Pytorch1.7.1，Python環(huán)境3.6，Cuda11.0。

使用SGD優(yōu)化器訓(xùn)練所有模型，衰減和動(dòng)量設(shè)置為0.9，權(quán)重衰減保持0.00004，初始學(xué)習(xí)率為0.00625，采用余弦退火學(xué)習(xí)率更新策略，batchsize為32，輸入圖像大小統(tǒng)一設(shè)置為224×224像素，模型迭代訓(xùn)練100次。

3.2評(píng)估指標(biāo)

本研究主要根據(jù)Top-1準(zhǔn)確率（Top-1Accurcacy）、平均精確率（MeanPrecision）、平均召回率（MeanRecall）與MeanF1Scores這4個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)估。在混淆矩陣中，TP表示實(shí)例為正且被預(yù)測(cè)為正的樣本數(shù)量，F(xiàn)P表示實(shí)例為負(fù)但被預(yù)測(cè)為正的樣本數(shù)量，F(xiàn)N表示實(shí)例為正但被預(yù)測(cè)為負(fù)的樣本數(shù)量，TN表示實(shí)例為負(fù)且被預(yù)測(cè)為負(fù)的樣本數(shù)量。準(zhǔn)確率指分類(lèi)正確樣本占總樣本個(gè)數(shù)的比例，Accuracy=TP+TNTP+TN+FP+FN；精確率指模型預(yù)測(cè)與實(shí)際上都為正的樣本占被預(yù)測(cè)為正的樣本的比例，Precision=TPTP+FP；召回率指實(shí)際為正的樣本中被預(yù)測(cè)為正的樣本所占實(shí)際為正的樣本的比例，R=TPTP+FN；F1Score是精確率和召回率的調(diào)和平均值，F(xiàn)1=2+Precision+RPrecision+R。Top-1Acc表示使用最大概率值預(yù)測(cè)的結(jié)果與實(shí)際結(jié)果相符的準(zhǔn)確率，根據(jù)每個(gè)類(lèi)別相應(yīng)計(jì)算結(jié)果取均值可獲得其余3個(gè)指標(biāo)。

損失函數(shù)能夠反映模型預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的差距。本研究模型中采用了分類(lèi)任務(wù)中常見(jiàn)的交叉熵?fù)p失函數(shù)H（p，q）=-∑n[]i=1p（xi）log［q（xi）］，它表示真實(shí)概率分布與預(yù)測(cè)概率分布的差異，損失值越小，模型的預(yù)測(cè)效果越好。

模型參數(shù)量也是模型評(píng)估的一個(gè)指標(biāo)，本研究借助flops-counter.pytorch完成模型參數(shù)量與浮點(diǎn)運(yùn)算量的計(jì)算。對(duì)于輕量化卷積神經(jīng)網(wǎng)絡(luò)，本研究改進(jìn)遵循參數(shù)增加量盡可能少的原則，避免其帶來(lái)的存儲(chǔ)與效率問(wèn)題，便于后續(xù)在移動(dòng)端上進(jìn)行應(yīng)用。

3.3試驗(yàn)結(jié)果與分析

首先，本研究對(duì)MobileNet系列輕量化網(wǎng)絡(luò)進(jìn)行了對(duì)比試驗(yàn)，以驗(yàn)證MobileNe×t模型在蘋(píng)果葉片病害數(shù)據(jù)集上的表現(xiàn)能力。由表2可知，MobileNe×t模型在各個(gè)指標(biāo)上的結(jié)果優(yōu)于其余3個(gè)模型，與MobileNetV2相比參數(shù)量（Param）不變，是MobileNet系列輕量化網(wǎng)絡(luò)中的佼佼者。

其次是注意力機(jī)制的對(duì)比，本試驗(yàn)在sandglass相同位置分別插入了SE、CBAM、CA注意力模塊，結(jié)果如表3所示。由于本試驗(yàn)所用數(shù)據(jù)集包含復(fù)雜背景圖像，目標(biāo)的位置信息影響著最終識(shí)別效果，而SE模塊只考慮通道信息，CBAM模塊帶來(lái)的參數(shù)量相對(duì)較大，因此選用CA模塊幫助模型定位目標(biāo)區(qū)域。

為進(jìn)一步提高M(jìn)obileNe×t模型對(duì)于真實(shí)場(chǎng)景下背景復(fù)雜的蘋(píng)果葉片病害識(shí)別準(zhǔn)確率，本研究通過(guò)設(shè)計(jì)2種SCI結(jié)構(gòu)對(duì)其進(jìn)行改進(jìn)，在控制變量的情況下進(jìn)行了消融試驗(yàn)，結(jié)果如表4所示。與MobileNe×t相比，MobileNe×t_Inception1與MobileNe×t_SCI1各指標(biāo)數(shù)據(jù)均下降，表明使用Inception1模塊代替升維部分并不合理，分析是由于分支中通道變換過(guò)程與非線性激活丟失了太多信息；而MobileNe×t_SCI2各指標(biāo)數(shù)據(jù)有所增長(zhǎng)，Top-1準(zhǔn)確率達(dá)到96.16%，平均精確率達(dá)到了96.26%，因此確定MobileNe×t_SCI2為最終改進(jìn)模型，訓(xùn)練過(guò)程中的準(zhǔn)確率、損失值變化與混淆矩陣如圖11所示。

4結(jié)論

針對(duì)真實(shí)場(chǎng)景下蘋(píng)果葉片病害識(shí)別背景環(huán)境復(fù)雜的情況，為了增強(qiáng)模型的泛化能力與魯棒性，提高識(shí)別準(zhǔn)確率，本研究采用協(xié)調(diào)注意力CA模塊、Inception模塊、Ghost模塊對(duì)輕量化網(wǎng)絡(luò)MobileNe×t進(jìn)行改進(jìn)，在sandglass的基礎(chǔ)上設(shè)計(jì)了2種SCI結(jié)構(gòu)，完成了對(duì)4類(lèi)常見(jiàn)蘋(píng)果葉片病害的識(shí)別研究。試驗(yàn)結(jié)果表明，改進(jìn)后的模型MobileNe×t_SCI2更加適應(yīng)真實(shí)環(huán)境，特征學(xué)習(xí)能力有所增強(qiáng)，與MobileNe×t相比，參數(shù)量只增加了0.62×106，但

Top-1準(zhǔn)確率提高了1.23百分點(diǎn)，平均精確率提高了1.18百分點(diǎn)，驗(yàn)證了改進(jìn)的有效性。

對(duì)于實(shí)際應(yīng)用場(chǎng)景，本研究存在一些不足之處，例如選取病害種類(lèi)較少、實(shí)時(shí)性不高、識(shí)別準(zhǔn)確率還有提升空間等。后期將導(dǎo)入更多種類(lèi)的病害圖像用于模型訓(xùn)練，不斷完善并部署于移動(dòng)端，將其投入到生產(chǎn)實(shí)踐中，為農(nóng)業(yè)發(fā)展貢獻(xiàn)一份力量。

參考文獻(xiàn)：

［1］常倩，李瑾.2000年以來(lái)中國(guó)蘋(píng)果產(chǎn)業(yè)發(fā)展趨勢(shì)分析［J］.北方園藝，2021（3）：155-160.

［2］翟衡，史大川，束懷瑞.我國(guó)蘋(píng)果產(chǎn)業(yè)發(fā)展現(xiàn)狀與趨勢(shì)［J］.果樹(shù)學(xué)報(bào)，2007，24（3）：355-360.

［3］王樹(shù)桐，王亞南，曹克強(qiáng).近年我國(guó)重要蘋(píng)果病害發(fā)生概況及研究進(jìn)展［J］.植物保護(hù)，2018，44（5）：13-25，50.

［4］袁森，邵春.基于卷積神經(jīng)網(wǎng)絡(luò)的采煤機(jī)故障分類(lèi)與預(yù)測(cè)研究［J］.煤炭技術(shù)，2022，41（11）：227-229.

［5］趙京鶴，修大元，王金龍，等.絕緣紙板典型缺陷局放特征的CNN識(shí)別［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2022，27（5）：79-88.

［6］喬丹.基于深度圖像和卷積神經(jīng)網(wǎng)絡(luò)的插秧機(jī)識(shí)別技術(shù)［J］.農(nóng)機(jī)化研究，2023，45（7）：196-200.

［7］舒甜督，劉芳，蔡茂.基于卷積神經(jīng)網(wǎng)絡(luò)的肺部CT圖像分類(lèi)算法研究［J］.電子設(shè)計(jì)工程，2022，30（21）：170-174，179.

［8］李彧，余心杰，郭俊先.基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識(shí)別［J］.江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：93-100.

［9］于雪瑩，高繼勇，王首程，等.基于生成對(duì)抗網(wǎng)絡(luò)和混合注意力機(jī)制殘差網(wǎng)絡(luò)的蘋(píng)果病害識(shí)別［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（6）：166-174.

［10］畢鵬程，羅健欣，陳衛(wèi)衛(wèi).輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究［J］.計(jì)算機(jī)工程與應(yīng)用，2019，55（16）：25-35.

［11］IandolaFN，HanS，MoskewiczMW，etal.SqueezeNet：AleNet-levelaccuracywith50fewerparametersand<0.5MBmodelsize［EB/OL］.（2016-06-01）［2022-11-11］.https：//ariv.org/abs/1602.07360.

［12］CholletF.ception：deeplearningwithdepthwiseseparableconvolutions［C］//2017IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.July21-26，2017，Honolulu，HI，USA.IEEE，2017：1800-1807.

［13］ZhangY，ZhouY，LinM，etal.ShuffleNet：anetremelyefficientconvolutionalneuralnetworkformobiledevices［C］//2018IEEE/CVFConferenceonComputerVisionandPatternRecognition.June18-23，2018，SaltLakeCity，UT，USA.IEEE，2018：6848-6856.

［14］MaNN，ZhangY，ZhengHT，etal.ShuffleNetV2：practicalguidelinesforefficientCNNarchitecturedesign［C］//ComputerVision-ECCV2018：15thEuropeanConference，Munich，Germany，September8-14，2018，Proceedings，PartIV.NewYork：ACM，2018：122-138.

［15］HowardAG，ZhuML，ChenB，etal.MobileNets：efficientconvolutionalneuralnetworksformobilevisionapplications［EB/OL］.（2017-06-06）［2022-11-11］.https：//ariv.org/abs/1704.04861.

［16］SandlerM，HowardA，ZhuML，etal.MobileNetV2：invertedresidualsandlinearbottlenecks［EB/OL］.（2018-06-09）［2022-11-11］.https：//ariv.org/abs/1801.04381.

［17］HowardA，SandlerM，ChenB，etal.SearchingforMobileNetV3［C］//2019IEEE/CVFInternationalConferenceonComputerVision（ICCV）.October27-November2，2019，Seoul，Korea（South）.IEEE，2020：1314-1324.

［18］洪惠群，黃風(fēng)華.基于輕量級(jí)神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別算法［J］.沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，52（2）：239-245.

［19］孫俊，朱偉棟，羅元秋，等.基于改進(jìn)MobileNet-V2的田間農(nóng)作物葉片病害識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（22）：161-169.

［20］李好，邱衛(wèi)根，張立臣.改進(jìn)ShuffleNetV2的輕量級(jí)農(nóng)作物病害識(shí)別方法［J］.計(jì)算機(jī)工程與應(yīng)用，2022，58（12）：260-268.

［21］ZhouDQ，HouQB，ChenYP，etal.RethinkingBottleneckStructureforEfficientMobileNetworkDesign［C］//VedaldiA，BischofH，BroT，etal.EuropeanConferenceonComputerVision.Cham：Springer，2020：680-697.

［22］HeKM，ZhangY，RenSQ，etal.Deepresiduallearningforimagerecognition［C］//2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.June27-30，2016，LasVegas，NV，USA.IEEE，2016：770-778.

［23］張宸嘉，朱磊，俞璐.卷積神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制綜述

［J］.計(jì)算機(jī)工程與應(yīng)用，2021，57（20）：64-72.

［24］HuJ，ShenL，SunG.Squeeze-and-ecitationnetworks［C］//2018IEEE/CVFConferenceonComputerVisionandPatternRecognition.June18-23，2018，SaltLakeCity，UT，USA.IEEE，2018：7132-7141.

［25］WooS，ParkJ，LeeJY，etal.CBAM：ConvolutionalBlockAttentionModule［C］//EuropeanConferenceonComputerVision.Cham：Springer，2018：3-19.

［26］HouQB，ZhouDQ，F(xiàn)engJS.Coordinateattentionforefficientmobilenetworkdesign［C］//2021IEEE/CVFConferenceonComputerVisionandPatternRecognition（CVPR）.June20-25，2021，Nashville，TN，USA.IEEE，2021：13708-13717.

［27］SzegedyC，LiuW，JiaYQ，etal.Goingdeeperwithconvolutions［C］//2015IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.June7-12，2015.Boston，MA，USA.IEEE，2015：1-9.

［28］HanK，WangYH，TianQ，etal.GhostNet：morefeaturesfromcheapoperations［C］//2020IEEE/CVFConferenceonComputerVisionandPatternRecognition（CVPR）.June13-19，2020.Seattle，WA，USA.IEEE，2020：1580-1589.