王治兵 吳麗麗

摘 要：針對傳統(tǒng)深度學(xué)習(xí)網(wǎng)絡(luò)模型因權(quán)重參數(shù)過大而不適宜在移動端部署的問題，提出了一種基于改進(jìn)的輕量級MobileNetV3網(wǎng)絡(luò)模型對蘋果葉片病害進(jìn)行識別。利用PyTorch框架，選取26 377張圖片，按6∶2∶2的比例劃分?jǐn)?shù)據(jù)集，以MobileNetV3網(wǎng)絡(luò)模型為基礎(chǔ)，引入遷移學(xué)習(xí)，加入空洞卷積，并調(diào)整原模型結(jié)構(gòu)，形成新模型進(jìn)行訓(xùn)練學(xué)習(xí)。經(jīng)過多輪迭代，損失曲線實現(xiàn)收斂，模型訓(xùn)練成功，訓(xùn)練集上的準(zhǔn)確率為95.72%，測試集上的準(zhǔn)確率為93.41%;經(jīng)過改進(jìn)的MobileNetV3網(wǎng)絡(luò)模型對蘋果葉片病害圖像識別效果較好，為將來在移動端實現(xiàn)部署與推廣提供了技術(shù)方案支撐。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);MobileNetV3;深度學(xué)習(xí);遷移學(xué)習(xí);空洞卷積

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

民以食為天，從古至今，農(nóng)業(yè)一直是我國的立國之本，在我國五千多年的發(fā)展歷程中，農(nóng)業(yè)始終占據(jù)著舉足輕重的地位[1]。農(nóng)業(yè)發(fā)展除受天災(zāi)影響外，還受到病害侵蝕的影響。雖然我們無法從源頭上徹底消滅農(nóng)業(yè)病害，但是可以提前發(fā)現(xiàn)它并進(jìn)行干擾與預(yù)防，將損失降到最低[2]。近年來，圖像識別技術(shù)在農(nóng)業(yè)發(fā)展中取得較好的應(yīng)用效果，專家系統(tǒng)和計算機圖像識別技術(shù)的結(jié)合，解決了傳統(tǒng)人工經(jīng)驗識別方式受主觀因素影響大的缺陷。但是，由于傳統(tǒng)模型的權(quán)重參數(shù)過大，這就給移動端的應(yīng)用部署帶來限制，因此還沒有得到全面的推廣使用，以檢測速度快、模型權(quán)重小的輕量級網(wǎng)絡(luò)模型的問世迫在眉睫。本文以輕量級MobileNetV3網(wǎng)絡(luò)模型為基礎(chǔ)，通過對模型在結(jié)構(gòu)、層次等方面做出調(diào)整，提升了模型的識別精度和速度，這對于在移動端部署的輕量級網(wǎng)絡(luò)模型而言，無疑是巨大的成功。

1 相關(guān)研究（Related research）

隨著計算機視覺技術(shù)的崛起和深度學(xué)習(xí)技術(shù)的成熟，圖像識別技術(shù)在植物葉片病害識別領(lǐng)域有了突破性的進(jìn)展。王建璽等[3]通過提取病斑顏色、形狀和紋理等方面的特征，采用支持向量機（SVM）技術(shù)對病害進(jìn)行自動識別。嚴(yán)倩[4]用全局平均池化層、批歸一化層和全連接輸出層取代了VGG16網(wǎng)絡(luò)模型中的3個全連接層，引入遷移學(xué)習(xí)的思想，對蘋果葉片病害進(jìn)行識別，為了減少深度網(wǎng)絡(luò)模型對數(shù)據(jù)量的依賴，采用了一種融合卷積神經(jīng)網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò)的新型網(wǎng)絡(luò)模型，能夠達(dá)到87.88%的識別準(zhǔn)確率。李恩霖等[5]通過建立基于VGG16、InceptionV3、ResNet50、ResNet101、DenseNet121的5種深度卷積神經(jīng)網(wǎng)絡(luò)的病害識別模型，保留原始結(jié)構(gòu)卷積層并設(shè)計新的全連接層，對玉米葉片病斑識別效果進(jìn)行研究，再利用遷移學(xué)習(xí)遷移各個模型在ImageNet數(shù)據(jù)集上的權(quán)重參數(shù)，通過對比5種模型性能，最終選取最優(yōu)的網(wǎng)絡(luò)模型，結(jié)果表明，經(jīng)過重新設(shè)計全連接層的DenseNet121網(wǎng)絡(luò)的性能最優(yōu)，其準(zhǔn)確率、召回率、特異率分別為99.73%、99.73%和99.87%。晁曉菲[6]提出了一種融合Xception及DenseNet網(wǎng)絡(luò)優(yōu)點的XDNet深度學(xué)習(xí)網(wǎng)絡(luò)，提出SE-DEEP模塊，將具有通道注意力的SE（Squeeze and Excitation）模塊與深度可分離卷積融合，并將SE-DEEP模塊融入Xception網(wǎng)絡(luò)，構(gòu)建SEXception網(wǎng)絡(luò)，然后通過實驗對其進(jìn)行輕量化設(shè)計，構(gòu)建SEmini Xception網(wǎng)絡(luò)，將其應(yīng)用于對蘋果葉片病害的識別并對病斑進(jìn)行分割，結(jié)果表明病害識別準(zhǔn)確率達(dá)到96.52%，病害程度診斷準(zhǔn)確率達(dá)到85.81%。周巧黎等[7]提出了一種基于改進(jìn)MobileNetV3的番茄葉片病害分類識別方法，在遷移學(xué)習(xí)的基礎(chǔ)上繼續(xù)改進(jìn)MobileNetV3模型，在卷積層引入空洞卷積和感知機結(jié)構(gòu)，采用閘門機制激活函數(shù) （Gated Liner Unit，GLU），訓(xùn)練得到最佳的番茄病害識別模型，平均測試的識別準(zhǔn)確率達(dá)到98.25%，模型的數(shù)據(jù)規(guī)模為43.57 MB，單張番茄病害圖像的檢測耗時僅0.27 s。蒲秀夫等[8]提出使用二值化卷積神經(jīng)網(wǎng)絡(luò)模型對植物病害進(jìn)行識別，試驗中以VGG16模型為基準(zhǔn)，采用深度網(wǎng)絡(luò)模型對植物病害進(jìn)行分類，相比傳統(tǒng)的植物分類方法，該模型的準(zhǔn)確率更高。試驗表明二值化模型達(dá)到原模型近兩倍的計算速度，并且在分割數(shù)據(jù)集下，測試平均識別準(zhǔn)確率能達(dá)到96.8%。以上研究取得了巨大成功，但是由于網(wǎng)絡(luò)參數(shù)龐大，計算量復(fù)雜，因此無法在移動端進(jìn)行部署。本文采用輕量級卷積MobileNetV3神經(jīng)網(wǎng)絡(luò)，利用深度學(xué)習(xí)算法，對常見的5種蘋果葉片病害進(jìn)行識別，取得了較好的識別效果。

2 MobileNetV3網(wǎng)絡(luò)模型簡介（Introduction tothe MobileNetV3 network model）

MobileNetV3網(wǎng)絡(luò)模型是在MobileNetV1和MobileNetV2的基礎(chǔ)上，由Google公司在2019年推出的深度學(xué)習(xí)網(wǎng)絡(luò)模型。MobileNetV3網(wǎng)絡(luò)繼承了MobileNetV1和MobileNetV2網(wǎng)絡(luò)的優(yōu)勢，并在此基礎(chǔ)上進(jìn)行優(yōu)化。相對于MobileNetV2網(wǎng)絡(luò)模型，MobileNetV3更新了block（bneck）模塊，加入了注意力機制SE 模塊，更新了激活函數(shù)，使用了h-swish激活函數(shù)[9]。在MobileNetV3網(wǎng)絡(luò)模型的頭部channel（通道）數(shù)量和尾部結(jié)構(gòu)做出改變，重新設(shè)計了計算昂貴的層結(jié)構(gòu)，引入了新的非線性激活函數(shù)h-swish，是最接近swish的非線性改進(jìn)版本，它計算量更小，對量化更為友好[10]。

MobileNetV3中加入注意力機制，能在圖像識別中聚焦重要的特征信息，忽略不相關(guān)信息，并且通過不斷修改權(quán)重值，使得在不同的情況下也能精確提取重要的特征信息，以提高分類的準(zhǔn)確率[11-12]。如圖1所示，主要操作是針對輸出的特征矩陣的每一個channel（通道）進(jìn)行全局平均池化處理，所得到的向量個數(shù)就是channel的個數(shù)。然后通過兩個FC（全連接層）得到輸出的向量。其中，第一個FC的向量個數(shù)是channel個數(shù)的1/4，使用ReLU激活函數(shù)，然后第二個FC的輸出與channel個數(shù)相同，使用h-swish激活函數(shù)。最終所得到的這個向量可以理解為剛輸入的每一個channel分析出了一個權(quán)重關(guān)系，將得到的權(quán)重通過乘法通道加權(quán)到先前的特征上，完成在通道維度上的特征重標(biāo)定。

swish非線性激活函數(shù)作為ReLU的替代，可以顯著提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，其定義為swish x =x·σ（x）。盡管這種非線性提高了準(zhǔn)確性，但在嵌入式環(huán)境中卻帶來了非零成本，因為“S”形函數(shù)在移動設(shè)備上的計算成本更高，計算、求導(dǎo)過程復(fù)雜，對量化過程不友好[13]。改進(jìn)的h-swish函數(shù)如公式（1）所示：

MobileNetV3網(wǎng)絡(luò)模型作為輕量級網(wǎng)絡(luò)模型的翹楚，對硬件配置要求低，能做到在移動端進(jìn)行嵌入式部署，并且所產(chǎn)生的成本和代價較低，避免了因高額成本而不能在農(nóng)業(yè)發(fā)展中推廣的顧慮，MobileNetV3在不降低識別精度的情況下，能提升識別速率，減少模型參數(shù)，而這也正符合本文研究的初衷，價廉、輕量、便攜、精確地進(jìn)行蘋果葉片病害的識別?？紤]到訓(xùn)練樣本數(shù)據(jù)集不夠龐大，并且受到訓(xùn)練設(shè)備性能的限制，本文選擇模型結(jié)構(gòu)較小的MobileNetV3_Small網(wǎng)絡(luò)模型，而不選擇MobileNetV3_Largel網(wǎng)絡(luò)模型。MobileNetV3_Small網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。其中，“輸入”代表MobileNetV3網(wǎng)絡(luò)每個特征層的shape（結(jié)構(gòu)）變化;“操作”代表每次特征層即將經(jīng)歷的bneck（可分離卷積層）結(jié)構(gòu);“卷積核”代表bneck內(nèi)逆殘差結(jié)構(gòu)上升后的通道數(shù);“輸出”代表輸入bneck時特征層的通道數(shù);“注意力機制”代表該bneck模塊是否使用注意力機制，其中“√”代表使用，“-”代表不使用;“激活函數(shù)”代表該bneck模塊所使用的激活函數(shù)的種類;HS代表使用h-swish激活函數(shù)，RE代表使用ReLU激活函數(shù);“步長”代表該bneck模塊結(jié)構(gòu)要經(jīng)歷的步長大小;“NBN”表示不使用bneck模塊;“k”代表最后的輸出。

3 MobileNetV3 網(wǎng)絡(luò)模型改進(jìn)（MobileNetV3network model improvements）

3.1 加入遷移學(xué)習(xí)

為了加快訓(xùn)練速度，使模型更快收斂，同時提高模型識別的準(zhǔn)確率，本研究在模型訓(xùn)練時，引入遷移學(xué)習(xí)的訓(xùn)練方法。遷移學(xué)習(xí)可以考慮到大部分?jǐn)?shù)據(jù)和任務(wù)間的相關(guān)性，將其他大批量數(shù)據(jù)訓(xùn)練所得模型參數(shù)用于訓(xùn)練新數(shù)據(jù)，從而減少訓(xùn)練步驟，縮短訓(xùn)練時間，增加數(shù)據(jù)量，降低過擬合程度[14-15]。本文在公開的ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練獲取模型參數(shù)，將其遷移至蘋果葉片病害識別模型上，縮短模型訓(xùn)練時間，提高泛化性。在遷移學(xué)習(xí)過程中，凍結(jié)所有的卷積層，只訓(xùn)練最后兩個全連接層的權(quán)重[16]。

3.2 添加空洞卷積

空洞卷積（Dilated Convolution）是一種傳統(tǒng)卷積的變種，通過對傳統(tǒng)圖像卷積添加空洞，完成對傳統(tǒng)圖像卷積的感受野擴張[17]。空洞卷積是針對圖像語義分割中采樣存在降低圖像分辨率、丟失信息的問題而提出的一種卷積思路[18]，通過添加空洞擴大感受野，假設(shè)讓原本3*3的卷積核，在相同參數(shù)量和計算量下?lián)碛?×5（dilated rate=2）或者更大的感受野，從而不需要下采樣。

不同層次結(jié)構(gòu)中的卷積核的尺寸大小各不相同，這是為了提取更深層次抽象特征，使信息損失達(dá)到最小。本文研究中，在MobileNetV3網(wǎng)絡(luò)的倒數(shù)第二和第三個bneck模塊中引入空洞卷積，擴張率R 分別為2和4?？斩淳矸e效果如圖2所示，初始卷積核大小都為3*3，R 大小從左到右依次為1、2、4，感受野大小為3×3、5×5、9×9。R 的改變會引起感受野的變化，但不會增加運算量。

3.3 網(wǎng)絡(luò)層數(shù)調(diào)整

過深的網(wǎng)絡(luò)結(jié)構(gòu)對模型來說將帶來模型不穩(wěn)定、識別效率降低、網(wǎng)絡(luò)退化、學(xué)習(xí)能力下降等問題。MobileNetV3網(wǎng)絡(luò)模型在倒數(shù)第二個和第三個bneck模塊中引入空洞卷積后，移除bneck6、bneck7模塊，將bneck8模塊的輸入通道數(shù)由48變?yōu)?0（其中R 代表擴張率的大?。?，并將該模型定義為MobileNetV3-S。通過在原有模型上引入遷移學(xué)習(xí)和加入空洞卷積，并對網(wǎng)絡(luò)模型層數(shù)進(jìn)行調(diào)整，使改動后的MobileNetV3-S模型相較于MobileNetV3網(wǎng)絡(luò)模型，其模型參數(shù)和權(quán)重都更小，在移動端的嵌入式部署更便捷，最終模型如圖3所示。

4 實驗與結(jié)果分析（Experiment and result analysis）

4.1 數(shù)據(jù)集獲取

數(shù)據(jù)集樣本選自公共數(shù)據(jù)集，包括花葉病、銹病、灰斑病、斑點落葉病、褐斑病5種常見的葉部病害圖片。其中，花葉病圖片有4 875張，銹病圖片有5 694張，灰斑病圖片有4 810張，斑點落葉病圖片有5 343張，褐斑病圖片有5 655張，共計圖片26 377張。按6∶2∶2的比例劃分訓(xùn)練集、驗證集、測試集。原始圖像分辨率大小為512×512像素，為了加快訓(xùn)練的速度， 統(tǒng)一調(diào)整分辨率大小為224×224像素。表2為不同病害葉片訓(xùn)練集、驗證集、測試集的具體數(shù)量，圖4為各個病害葉片樣本數(shù)據(jù)集示例，每個種類展示5張圖片，從上到下依次為斑點落葉病、褐斑病、灰斑病、花葉病、銹病的圖片。

4.2 MixUp混合增強

Mixup增強方式是將兩張原圖像按比例進(jìn)行線性插值生成新的混合圖像，經(jīng)插值混合后的樣本與真實樣本非常接近[19]。本文對蘋果葉片病害研究樣本進(jìn)行同類間的混合增強，不僅擴充了數(shù)據(jù)集，還增加了樣本的多樣性，加大了對重要特征的學(xué)習(xí)力度。MixUp混合增強就是將兩張原始圖像線性疊加形成新的特征向量，使模型訓(xùn)練樣本更加適應(yīng)實際環(huán)境，模型預(yù)測更加的平滑。進(jìn)行MixUp增強時，對每一個類別中的樣本隨機選擇進(jìn)行合成，部分MixUp混合增強圖像如圖5所示。

4.3 實驗環(huán)境

本次實驗操作系統(tǒng)為Windows 10，編程工具為PyCharm，編程語言為Python3.6版本，深度學(xué)習(xí)框架采用PyTorch，顯卡為（GPU）NVIDIA GeForce GTX 1050，顯存大小為4 GB，中央處理器（CPU）為Intel Pentium G4600 3.6 GHz，固態(tài)內(nèi)存大小為16 GB。

4.4 模型訓(xùn)練

圖6中的橫坐標(biāo)代表權(quán)重更新的次數(shù)，左側(cè)縱坐標(biāo)為訓(xùn)練過程中真實值與預(yù)測值之間產(chǎn)生的損失值，右側(cè)縱坐標(biāo)為Top1值（一張圖片訓(xùn)練過程中輸出的預(yù)測概率，選取其結(jié)果最大的為Top1值）。模型訓(xùn)練輸入的batch_size 為128，從圖6中可以看出，損失值向0.0趨近，Top1值向1.0趨近。訓(xùn)練過程中就總體趨勢而言，Top1值不斷增大，損失值不斷減小，在部分階段雖然有趨勢的反彈，但是隨著訓(xùn)練迭代次數(shù)的增加，模型最終克服了局部最優(yōu)的局面，向全局最優(yōu)的趨勢發(fā)展，損失值和Top1值最終變得平緩并趨于穩(wěn)定。

4.5 對比實驗

為了驗證MobileNetV3-S網(wǎng)絡(luò)模型應(yīng)用于蘋果葉片病害識別的準(zhǔn)確性與有效性，以及相較于其他模型的優(yōu)越性，選取ShuffleNetV2、MobileNetV3從Top1值、損失值等方面進(jìn)行對比實驗評估。

對比MobileNetV3網(wǎng)絡(luò)模型、ShuffleNetV2網(wǎng)絡(luò)模型以及MobileNetV3-S網(wǎng)絡(luò)模型在訓(xùn)練時的Top1值、損失值，由圖7可以清晰地看到三個模型在迭代次數(shù)達(dá)到200輪之后都趨于平穩(wěn)且收斂，并且MobileNetV3-S網(wǎng)絡(luò)模型的Top1值最優(yōu)，趨近于1.0，損失值下降最快且最快達(dá)到平穩(wěn)狀態(tài)。

MobileNetV3網(wǎng)絡(luò)模型與ShuffleNetV2網(wǎng)絡(luò)模型的Top1值接近，損失值略有差異。由此可以判斷出，MobileNetV3-S網(wǎng)絡(luò)模型應(yīng)用于蘋果葉片病害識別相比另外兩個網(wǎng)絡(luò)模型更具有優(yōu)勢。

為了再次評估MobileNetV3網(wǎng)絡(luò)模型、ShuffleNetV2網(wǎng)絡(luò)模型以及MobileNetV3-S網(wǎng)絡(luò)模型的表現(xiàn)，選取交叉驗證的方式對三個模型進(jìn)行評優(yōu)。模型評估階段選取數(shù)據(jù)集總數(shù)的20%作為評估時選用的數(shù)據(jù)集。為了使實驗更具有說服力，在劃分?jǐn)?shù)據(jù)集時先將數(shù)據(jù)集打亂，再進(jìn)行劃分。驗證時共設(shè)置100個epoch（訓(xùn)練輪數(shù)），每經(jīng)歷5個epoch 開啟一次驗證，保留驗證集上的準(zhǔn)確率。由圖8可以看出，MobileNetV3-S網(wǎng)絡(luò)模型應(yīng)用于蘋果葉片病害識別，相比MobileNetV3 和ShuffleNetV2網(wǎng)絡(luò)模型更具優(yōu)勢。

4.6 消融實驗

為了驗證經(jīng)過改進(jìn)的模型相比原始模型的有效性，利用驗證集數(shù)據(jù)對經(jīng)過訓(xùn)練后獲得的原模型數(shù)據(jù)與加入遷移學(xué)習(xí)數(shù)據(jù)和空洞卷積數(shù)據(jù)的模型數(shù)據(jù)，進(jìn)行對比驗證，由圖9可以看出，在原MobileNetV3模型上進(jìn)行模型結(jié)構(gòu)調(diào)整，加入遷移學(xué)習(xí)和空洞卷積后的模型準(zhǔn)確率遠(yuǎn)高于原MobileNetV3模型，并且更加穩(wěn)定，更早收斂。

4.7 模型評估

訓(xùn)練完成后保存最好的權(quán)重模型，用于對模型進(jìn)行評估。選取數(shù)據(jù)集總數(shù)的20%用于測試集，導(dǎo)入訓(xùn)練好的模型進(jìn)行測試，將測試結(jié)果以混淆矩陣的形式在圖10中展現(xiàn)。圖10為五行五列的混淆矩陣，其橫坐標(biāo)為每一類蘋果葉片病害預(yù)測分類百分比，縱坐標(biāo)為真實分類百分比。橫坐標(biāo)百分比相加結(jié)果應(yīng)為1，代表對每一類蘋果葉片病害正確預(yù)測與錯誤預(yù)測之和。橫、縱坐標(biāo)重合處對角線代表分類正確的結(jié)果，數(shù)值越高，分類準(zhǔn)確率越高。

如表3所示，為每類蘋果葉片病害分類得出的精度、召回率、F1值的百分比，結(jié)合表3分析，灰斑病和褐斑病2類葉片病害的波動較大，灰斑病的召回率最低，精度接近5類葉片病害分類的平均值;褐斑病的精度較低，召回率偏高。其他3類葉片病害的評價指標(biāo)變動相對平緩，比較接近于平均值，整體數(shù)據(jù)比較平緩。在今后的識別分類研究中，可重點關(guān)注灰斑病和褐斑病特征信息的提取。

4.8 網(wǎng)絡(luò)模型性能對比

MobileNetV3和ShuffleNetV2網(wǎng)絡(luò)模型同為輕量級網(wǎng)絡(luò)模型的代表，它們不僅在識別精度上存在差異，在識別速度上也是存在區(qū)別的。輕量級網(wǎng)絡(luò)模型的輕巧、參數(shù)量小、檢測速度快是其優(yōu)勢，這個優(yōu)勢決定了它可以在移動端進(jìn)行嵌入式部署，并能在多種復(fù)雜環(huán)境場景下較好地識別葉片病害。通過表4中數(shù)據(jù)的對比可以看出，MobileNetV3-S網(wǎng)絡(luò)模型的單張圖像檢測識別時間降低到0.31 s，與MobileNetV3網(wǎng)絡(luò)模型和ShuffleNetV2網(wǎng)絡(luò)模型相比，單張圖像識別時間分別降低了0.08 s和0.1 s。檢測時間縮短，表明改進(jìn)的模型MobileNetV3-S更加適合蘋果葉片病害的識別。

5 結(jié)論（Conclusion）

本文的研究以MobileNetV3網(wǎng)絡(luò)為基礎(chǔ)模型，建立蘋果葉片病害識別數(shù)據(jù)集，并對數(shù)據(jù)集進(jìn)行MixUp混合增強。在MobileNetV3網(wǎng)絡(luò)模型的基礎(chǔ)上構(gòu)建MobileNetV3-S模型，并選取ShuffleNetV2模型與原MobileNetV3模型作對比，實驗結(jié)果顯示改進(jìn)的MobileNetV3-S網(wǎng)絡(luò)模型在蘋果葉片病害識別速率和識別準(zhǔn)確率上均高于原MobileNetV3網(wǎng)絡(luò)模型和ShuffleNetV2網(wǎng)絡(luò)模型。本文研究目前處于模型優(yōu)化階段，可以為未來移動端設(shè)備部署進(jìn)入實際工程階段提供理論依據(jù)，為將來大范圍地應(yīng)用于移動端打下基礎(chǔ)。

參考文獻(xiàn)（References）

[1] 楊寶智. 我國農(nóng)業(yè)技術(shù)推廣體系的改革創(chuàng)新與發(fā)展趨勢研究[J]. 種子科技，2022，40（5）：142-144.

[2] 王小玲，丁為軍. 農(nóng)藥減量增效技術(shù)在農(nóng)業(yè)病蟲害防治中的運用[J]. 智慧農(nóng)業(yè)導(dǎo)刊，2022，2（13）：62-64.

[3] 王建璽，寧菲菲，魯書喜. 基于支持向量機的蘋果葉部病害識別方法研究[J]. 山東農(nóng)業(yè)科學(xué)，2015，47（7）：122-125，141.

[4] 嚴(yán)倩. 基于深度學(xué)習(xí)的蘋果葉片病害識別研究[D]. 馬鞍山：安徽工業(yè)大學(xué)，2021.

[5] 李恩霖，謝秋菊，蘇中濱，等. 基于深度學(xué)習(xí)的玉米葉片病斑識別方法研究[J]. 智慧農(nóng)業(yè)導(dǎo)刊，2021，1（10）：1-10.

[6] 晁曉菲. 基于深度學(xué)習(xí)的常見蘋果葉片病害識別與病斑分割方法研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2021.

[7] 周巧黎，馬麗，曹麗英，等. 基于改進(jìn)輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNetV3的番茄葉片病害識別[J]. 智慧農(nóng)業(yè)（中英文），2022，4（1）：47-56.

[8] 蒲秀夫，寧芊，雷印杰，等. 基于二值化卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識別[J]. 中國農(nóng)機化學(xué)報，2020，41（2）：177-182.

[9] 王云艷，羅帥，王子健. 基于改進(jìn)MobileNetV3的遙感目標(biāo)檢測[J]. 陜西科技大學(xué)學(xué)報，2022，40（3）：164-171.

[10] 張兆國，張振東，李加念，等. 采用改進(jìn)YoloV4模型檢測復(fù)雜環(huán)境下馬鈴薯[J]. 農(nóng)業(yè)工程學(xué)報，2021，37（22）：170-178.

[11] 章羽，羅素云，陳楊鐘. 基于注意力機制的改進(jìn)VGG車輛類型識別研究[J]. 農(nóng)業(yè)裝備與車輛工程，2022，60（8）：82-87.

[12] ZHANG Y，ZHOU A B，ZHAO F K，et al. A lightweightvehicle-pedestrian detection algorithm based on attentionmechanism in traffic scenarios[J]. Sensors，2022，22（21）：8480.

[13] 楊晉生，楊雁南，李天驕. 基于深度可分離卷積的交通標(biāo)志識別算法[J]. 液晶與顯示，2019，34（12）：1191-1201.

[14] 徐振南，王建坤，胡益嘉，等. 基于MobileNetV3的馬鈴薯病害識別[J]. 江蘇農(nóng)業(yè)科學(xué)，2022，50（10）：176-182.

[15] KOOVERJEE N，JAMES S，VAN ZYL T. Investigatingtransfer learning in graph neural networks[J]. Electronics，2022，11（8）：1202.

[16] 魯?shù)? 基于遷移學(xué)習(xí)的玉米病害識別研究[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2022.

[17] 馬利，劉新宇，李皓宇，等. 應(yīng)用空洞卷積的神經(jīng)網(wǎng)絡(luò)輕量化方法[J]. 計算機工程與應(yīng)用，2022，58（5）：85-93.

[18] FENG M R，HU J J，OU M H，et al. Crowd counting algorithmbased on depthwise separable of dilated convolution[J]. Procedia Computer Science，2022，208：319-324.

[19] 陸健強，林佳翰，黃仲強，等. 基于Mixup算法和卷積神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病果實識別研究[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報，2021，42（3）：94-101.

作者簡介：

王治兵（1997-），男，碩士生。研究領(lǐng)域：圖像識別，人工智能與數(shù)據(jù)挖掘。

吳麗麗（1979-），女，博士，副教授。研究領(lǐng)域：圖像識別，人工智能與數(shù)據(jù)挖掘。本文通信作者。