邢鵬康 李久朋

摘要：馬鈴薯葉片的病害將直接導(dǎo)致馬鈴薯產(chǎn)量和質(zhì)量的下降，為實(shí)現(xiàn)馬鈴薯葉片病害的精確檢測并及時(shí)預(yù)防病變，提出了一種基于小樣本學(xué)習(xí)的馬鈴薯葉片病害檢測算法。首先，利用一組共享權(quán)重的特征提取器將輸入圖片映射到深度特征空間；然后，提出一種任務(wù)感知注意力模塊用于融合小樣本學(xué)習(xí)網(wǎng)絡(luò)中的雙分支輸入特征，強(qiáng)化目標(biāo)任務(wù)的特定表達(dá)能力；最后，引入一種動態(tài)卷積模塊提高卷積核的建模能力，并將卷積塊注意力機(jī)制（CBAM）嵌入到該卷積網(wǎng)絡(luò)中，構(gòu)造特征強(qiáng)化學(xué)習(xí)模塊，細(xì)粒度地捕獲病害區(qū)域的細(xì)節(jié)特征。通過在開源馬鈴薯葉片病害檢測數(shù)據(jù)集上進(jìn)行測試，所提出模型分別實(shí)現(xiàn)了93.92%的準(zhǔn)確率、93.81%的精準(zhǔn)率、93.85%的召回率和93.63%的F1值；此外，在自建數(shù)據(jù)集上與當(dāng)前經(jīng)典馬鈴薯葉片病害檢測模型相比，同樣具有較好的競爭力。

關(guān)鍵詞：馬鈴薯葉片；病害檢測；卷積塊注意力機(jī)制；小樣本學(xué)習(xí)；任務(wù)感知注意力

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2023）15-0203-08

基金項(xiàng)目：河南省科技攻關(guān)重點(diǎn)資助項(xiàng)目（編號：212102310086）；河南工業(yè)職業(yè)技術(shù)學(xué)院青年骨干教師培養(yǎng)計(jì)劃（編號：2020033004）。

作者簡介：邢鵬康（1984—），男，陜西西安人，碩士，講師，研究方向?yàn)檗r(nóng)作物疾病檢測、深度學(xué)習(xí)、智慧農(nóng)業(yè)。E-mail：pengkxing@sina.com。

植物的根、莖、葉等部位的病害嚴(yán)重影響作物的質(zhì)量和產(chǎn)量，這也給農(nóng)業(yè)相關(guān)部門造成了巨大的經(jīng)濟(jì)損失。據(jù)估計(jì)，全球每年因農(nóng)作物葉片病害造成的作物產(chǎn)量損失約為16%，這是糧食短缺和糧食生產(chǎn)成本增加的主要原因［1］。根據(jù)聯(lián)合國糧食及農(nóng)業(yè)組織的報(bào)告，到2050年，世界人口將達(dá)到約91億，為了保持穩(wěn)定的糧食供應(yīng)，大約需要增長70%的糧食產(chǎn)量。馬鈴薯是僅次于小麥、玉米和水稻之外的世界第四大農(nóng)產(chǎn)品，由于疾病和旱澇等自然環(huán)境的影響，馬鈴薯的產(chǎn)量深受影響，這也為糧農(nóng)和農(nóng)業(yè)部門帶來了巨大的挑戰(zhàn)［2］。

早期的馬鈴薯葉片病害檢測主要依賴專家先驗(yàn)知識進(jìn)行診斷，該類方法過度依賴人工判斷，主觀性較強(qiáng)，費(fèi)時(shí)費(fèi)力［3］。之后，研究人員引入了光譜儀來診斷馬鈴薯葉片的病害；然而，這些方法需要昂貴的實(shí)驗(yàn)器材、專業(yè)的測量技術(shù)，成本較高，不利于開展大規(guī)模的診斷［4］。

隨著農(nóng)業(yè)技術(shù)水平的提高和人工智能、計(jì)算機(jī)視覺等技術(shù)在農(nóng)業(yè)領(lǐng)域的成功應(yīng)用，無需人工干預(yù)就可以在短時(shí)間內(nèi)高效、準(zhǔn)確地檢測出植物葉片病害成為可能［5］。此外，構(gòu)建的智能化檢測模型也有助于提升農(nóng)作物產(chǎn)量和質(zhì)量，對農(nóng)業(yè)發(fā)展具有重要的指導(dǎo)意義。如趙越等提出了一種基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測方法，通過搭建的Faster R-CNN 模型能快速定位出馬鈴薯葉片的病害部位［6］。Rashid等提出了一種基于級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯葉片疾病識別模型［7］。首先利用傳統(tǒng)的Yolov5模型進(jìn)行馬鈴薯葉片病害分割；其次，利用卷積神經(jīng)網(wǎng)絡(luò)對馬鈴薯葉片中的病害進(jìn)行早、中和晚分類，及時(shí)預(yù)防馬鈴薯葉片病害的大規(guī)模暴發(fā)。趙建敏等利用卷積神經(jīng)網(wǎng)絡(luò)搭建了一套基于Web前端、移動APP和后臺分類模型的多分類病害檢測模型，實(shí)現(xiàn)了移動端的智能檢測［8］。類似地，Li等提出了一種改進(jìn)的Yolov5馬鈴薯病害檢測模型，通過改進(jìn)CSP、FPN和NMS模塊，消除了外部環(huán)境的影響，增強(qiáng)了多尺度特征的提取能力，提高了檢測性能［9］。通過在自建馬鈴薯病害葉片數(shù)據(jù)集上進(jìn)行測試，試驗(yàn)也驗(yàn)證了模型的有效性。Afzaal等針對葉片的不同背景、不同尺寸大小、不同遮擋以及光照影響等因素導(dǎo)致馬鈴薯葉片病害識別難的問題，通過分析馬鈴薯作物葉片的視覺特征來檢測馬鈴薯早疫病和晚疫?。?0］。Saeed等提出了一種基于多階段檢測的馬鈴薯葉片病害識別自助系統(tǒng)，首先利用預(yù)訓(xùn)練的主干網(wǎng)絡(luò)進(jìn)行特征提取，并利用最小二乘回歸算法提取關(guān)鍵特征，依據(jù)抽取的最佳特征構(gòu)建分類器［11］。

上述基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測模型在一定程度上取得了成功；然而，現(xiàn)有模型仍然存在如下問題亟待解決：（1）由于馬鈴薯病害葉片區(qū)域較小，傳統(tǒng)模型定位不精確，導(dǎo)致模型檢測性能不佳；（2）現(xiàn)有模型的識別性能過度依賴帶標(biāo)注訓(xùn)練圖片的數(shù)量，雖然Chen等利用弱監(jiān)督學(xué)習(xí)的方法緩解了馬鈴薯葉片病害檢測模型的性能依賴訓(xùn)練圖片量大的挑戰(zhàn)，但該類弱監(jiān)督方法仍需要帶標(biāo)注圖片進(jìn)行模型預(yù)訓(xùn)練，并且對于未標(biāo)注的新圖片泛化能力局限［12］；（3）馬鈴薯葉片種類較多，帶標(biāo)注的葉片收集費(fèi)時(shí)費(fèi)力。為此，本研究提出了一種基于小樣本學(xué)習(xí)的馬鈴薯病害葉片檢測算法。通過引入一種動態(tài)卷積模塊來提高卷積核的建模能力，并借助卷積塊注意力機(jī)制來聚焦病害葉片區(qū)域，強(qiáng)化關(guān)鍵特征的表達(dá)能力。本研究的主要?jiǎng)?chuàng)新點(diǎn)如下：（1）提出一種基于小樣本學(xué)習(xí)的馬鈴薯葉片病害檢測新方法，利用小樣本學(xué)習(xí)網(wǎng)絡(luò)有助于緩解帶標(biāo)注馬鈴薯葉片樣本收集費(fèi)時(shí)費(fèi)力的問題；（2）設(shè)計(jì)一種動態(tài)卷積塊，通過帶偏移的采樣學(xué)習(xí)策略，細(xì)粒度捕獲病害區(qū)域的細(xì)節(jié)特征，強(qiáng)化卷積核的建模能力；（3）提出一種融合卷積塊注意力機(jī)制模塊，有效聚焦葉片病害區(qū)域，有助于緩解傳統(tǒng)方法因病害葉片區(qū)域小導(dǎo)致定位不精確的問題。

1 數(shù)據(jù)集

1.1 開源數(shù)據(jù)集

選擇Kaggle開源數(shù)據(jù)庫中馬鈴薯葉片樣本集，包含早疫病、晚疫病、灰霉病、炭疽病和健康葉片5種類型［13］?？偣舶? 200張病害圖片和1 000張健康圖片，圖片大小為224像素×224像素，格式為jpg，并按照8 ∶2的比例劃分為訓(xùn)練集和測試集。部分病害的可視化如圖1所示。

1.2 自建數(shù)據(jù)集

利用松下S5K相機(jī)作為馬鈴薯葉片的采集工具，所有圖片均采集于河南省商丘市周邊馬鈴薯種植區(qū)，葉片病害類型包括早疫病、晚疫病、炭疽病、軟腐病?？偣舶?90張健康圖片、645張病害葉片圖片，并按照8 ∶2的比例，劃分為訓(xùn)練集和測試集。圖片原始像素大小為1 260像素×1 260像素，為了降低模型加載圖片時(shí)間，此處統(tǒng)一規(guī)整大小為224像素×224像素。每類病害葉片的樣本數(shù)量見表1。

2 方法論

2.1 模型結(jié)構(gòu)

圖2為基于小樣本學(xué)習(xí)的馬鈴薯葉片病害檢測模型的結(jié)構(gòu)圖。主要包括：（1）特征編解碼模塊，用于將三維圖片映射到深度特征空間；（2）任務(wù)感知注意力模塊，將支持特征和查詢特征進(jìn)行特征深度融合，提高目標(biāo)特征的表達(dá)能力；（3）動態(tài)卷積核，為了進(jìn)一步捕獲病害區(qū)域的細(xì)節(jié)特征，強(qiáng)化目標(biāo)特征的表達(dá)能力，采用動態(tài)卷積核實(shí)現(xiàn)信息的強(qiáng)交互；（4）卷積塊注意力機(jī)制，從通道和空間維度聚焦目標(biāo)特征，提高模型對目標(biāo)任務(wù)的強(qiáng)注意力，緩解因病害目標(biāo)區(qū)域小，導(dǎo)致信息丟失或語義誤匹配問題。

2.2 特征提取

為充分挖掘馬鈴薯病害葉片的深層次特征，采用對稱的編解碼網(wǎng)絡(luò)作為特征提取器。其中，卷積層用于將三維圖片映射到深度特征空間，同時(shí)可以有效過濾目標(biāo)的背景區(qū)域；然而，病害葉片區(qū)域小極易造成信息的丟失，因此，引入反卷積層進(jìn)行特征細(xì)化，并在卷積層和反卷積層之間加入殘差連接，防止因病害區(qū)域小導(dǎo)致目標(biāo)特征丟失。特征提取網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

此處，進(jìn)一步考慮到病害區(qū)域小，特征捕獲難度大，極易導(dǎo)致信息丟失的問題，在編解碼過程中引入稠密編碼塊［14］。稠密編碼塊網(wǎng)絡(luò)詳細(xì)計(jì)算流程如圖4所示。稠密編碼塊主要通過挖掘圖像的局部信息，恢復(fù)目標(biāo)的邊緣、顏色失真等細(xì)節(jié)特征。具體地，每個(gè)稠密編碼塊利用3×3和5×5的卷積塊提供多尺度編碼特征，1×1卷積塊直接連接相鄰層的輸出并用于當(dāng)前層的特征融合。具體計(jì)算如

公式（1）和公式（2）所示。

式中：Foi-2、Foi-1和Foi表示相鄰層特征圖；σ表示ReLU函數(shù)；k3（·）和k5（·）分別表示3×3和5×5的卷積塊；表示采用1×1卷積塊進(jìn)行特征融合操作；表示特征拼接操作。

2.3 任務(wù)感知注意力

小樣本學(xué)習(xí)網(wǎng)絡(luò)支持分支的輸入為支持圖片，為待識別的查詢分支圖片提供直接的任務(wù)特定知識，并且小樣本學(xué)習(xí)網(wǎng)絡(luò)的雙分支輸入為相同類的不同圖片。為了充分挖掘支持分支和查詢分支任務(wù)之間的相關(guān)性，利用圖5所示的任務(wù)感知注意力網(wǎng)絡(luò)進(jìn)行雙分支特征的深度融合。

假設(shè)支持分支和查詢分支的映射特征分別為Fs和Fq，首先利用雙線性插值技術(shù)將Fs和Fq統(tǒng)一為相同大小的特征圖，即{Fs，F(xiàn)q}∈Rc×h×w。然后，

為了融合支持分支和查詢分支的特征圖，利用平均池化操作獲得Fs和Fq對應(yīng)的掩碼特征圖Fs′和Fq′，并利用大小為1×1的卷積塊將掩碼特征圖進(jìn)行連接，具體計(jì)算如公式（3）所示。

式中：‖表示拼接操作，Com（·）表示對比函數(shù)，由Sigmoid和ReLU函數(shù)組成。最終的特征圖FF計(jì)算如公式（4）所示。

式中：表示矩陣點(diǎn)乘運(yùn)算。

2.4 特征強(qiáng)化學(xué)習(xí)

馬鈴薯病害區(qū)域面積較小，攜帶的有效信息較局限，這對模型的魯棒性和泛化性能提出了更高的考驗(yàn)。為此，引入了一種動態(tài)卷積模塊，通過利用帶偏移的采樣學(xué)習(xí)策略，細(xì)粒度捕獲病害區(qū)域的細(xì)節(jié)特征，強(qiáng)化卷積核的建模能力；其次，從通道和空間維度上進(jìn)一步聚焦馬鈴薯葉片病害區(qū)域，緩解傳統(tǒng)方法因病害葉片區(qū)域小導(dǎo)致定位不精確的問題。

2.4.1 動態(tài)卷積塊 考慮到馬鈴薯葉片病害區(qū)域不規(guī)則、病害面積較小，利用常規(guī)的卷積核進(jìn)行特征處理極易造成信息的丟失或歧義。為此，本研究從正方形窗口、垂直方向和水平方向進(jìn)行細(xì)粒度的特征捕獲。具體來說，首先將任務(wù)感知融合特征FF作為動態(tài)卷積模塊核生成器的輸入，并利用1個(gè)對稱的正方形和2個(gè)非對稱的長方形卷積核進(jìn)行特征處理。然后，利用核大小為S和S2的2個(gè)連續(xù)一維池化模塊提取融合特征的全局表示。具體計(jì)算如公式（5）所示。

式中：FglobalF表示融合特征的全局表示；pools（·）和pools2（·）分別表示不同卷積核大小的全局池化函數(shù)；Fconv1（·）、Fconv2（·）和Fconv3（·）分別表示2個(gè)非對稱的長方形卷積核和1個(gè)對稱的正方形卷積核操作。

2.4.2 卷積塊注意力機(jī)制 馬鈴薯病害區(qū)域僅占整幅圖像的小部分區(qū)域，為了剔除無關(guān)背景信息的干擾，強(qiáng)化目標(biāo)特征的表達(dá)能力，在動態(tài)卷積塊中添加卷積塊注意力機(jī)制（convolutional block attention module，CBAM），對捕獲的病害區(qū)域特征進(jìn)行重新加權(quán)整合，自動過濾無關(guān)信息的感染，重點(diǎn)聚焦病害區(qū)域［15］。CBAM注意力機(jī)制特征處理流程如圖6所示。

CBAM由通道注意力機(jī)制和空間注意力機(jī)制2個(gè)部分組成，通過協(xié)同學(xué)習(xí)給定圖片中目標(biāo)的局部特征，弱化背景信息的權(quán)重，強(qiáng)化目標(biāo)區(qū)域特征的關(guān)注度，進(jìn)而提升模型對于特定任務(wù)的特征學(xué)習(xí)能力。具體來說，在通道注意力機(jī)制特征處理階段，對于動態(tài)卷積模塊的輸出特征FglobalF，首先在空間維度上利用全局最大池化（Maxpool）和全局平均池化（Avgpool）進(jìn)行特征編碼壓縮，生成2個(gè)大小為1×1×C的特征圖，同時(shí)沿通道方向融合每個(gè)通道特征圖在整張?zhí)卣鲌D中的位置編碼信息，旨在緩解下采樣過程中因病害區(qū)域面積小、感受野局限導(dǎo)致部分信息丟失的問題［16］。上述過程可表示為公式（6）。

式中：Mc（·）表示特征融合函數(shù)，用于實(shí)現(xiàn)最大池化和平均池化后的特征融合；σ表示Sigmoid函數(shù)；MLP表示多層感知機(jī)；γ表示全局最大池化操作，δ表示全局平均池化操作。

在空間注意力機(jī)制特征處理階段，將通道注意力機(jī)制處理后的特征F′globalF作為空間注意力機(jī)制特征處理模塊的輸入，并類似通道注意力機(jī)制特征處理階段的全局最大池化和全局平均池化進(jìn)行特征編碼壓縮；然后，利用通道級聯(lián)的方式進(jìn)行特征融合，并根據(jù)不同位置的編碼信息進(jìn)行加權(quán)重組，獲得帶權(quán)重信息的空間特征Ms，用于表示不同區(qū)域特征信息的重要性分布。最后，將所有位置的空間特征圖拼接，獲得目標(biāo)特定任務(wù)的特征表示，具體計(jì)算如公式（7）和公式（8）所示。

式中：Fv（·）表示通道級聯(lián)操作。

為了使模型具有分類能力，將重組后的特征F′F作為全連接網(wǎng)絡(luò)的輸入，并利用Softmax函數(shù)實(shí)現(xiàn)馬鈴薯病害葉片的分類，并選擇交叉熵?fù)p失函數(shù)計(jì)算真實(shí)病害標(biāo)簽與預(yù)測結(jié)果之間的損失，根據(jù)損失值優(yōu)化模型參數(shù)。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)設(shè)置與評價(jià)指標(biāo)

處理器Intel CoreTM i7-10750H CPU；編程語言為python 3.9；采用PyTorch 1.7.2深度學(xué)習(xí)加速庫，GPU GTX-3060Ti，CUDA 11.1。設(shè)定初始學(xué)習(xí)率為0.001，選用隨機(jī)梯度下降法來優(yōu)化模型，批量大小為8，動量為0.9，訓(xùn)練迭代次數(shù)為26。

選擇當(dāng)前主流的病害識別模型評價(jià)指標(biāo)：準(zhǔn)確率（Accuracy）、精準(zhǔn)率（Precision）、召回率（Recall）和F1值，計(jì)算如公式（9）所示。

式中：Tp表示所提出模型預(yù)測的正確樣本總數(shù)；Tn表示所提出模型預(yù)測錯(cuò)誤的樣本總數(shù)；Fp表示誤報(bào)樣本總數(shù)；Fn表示漏報(bào)樣本總數(shù)。

3.2 試驗(yàn)對比分析

3.2.1 開源數(shù)據(jù)集 為了驗(yàn)證所提出模型的有效性，在相同的數(shù)據(jù)樣本和評價(jià)指標(biāo)下與Yolov3、Yolov5、Faster R-CNN、Vgg-16、ResNet-101模型進(jìn)行對比試驗(yàn)，詳細(xì)結(jié)果如表2所示。

由表2可知，本研究模型分別實(shí)現(xiàn)了93.92%的準(zhǔn)確率、94.81%的精準(zhǔn)率、93.85%的召回率和93.63%的F1值。在準(zhǔn)確率方面，相比所有對比模型中表現(xiàn)最佳的ResNet-101模型，提升了0.53百分點(diǎn)；在精準(zhǔn)率方面，相比表現(xiàn)最佳的Faster R-CNN模型，提升了1.12百分點(diǎn)；在召回率方面，相比表現(xiàn)最佳的Faster R-CNN模型，提升了0.72百分點(diǎn)；在F1值方面，雖然相比ResNet-101模型有略微下降，但相比Faster R-CNN模型，提升了0.79百分點(diǎn)。究其原因主要包括：（1）所提出模型通過融合目標(biāo)任務(wù)到支持分支中，強(qiáng)化了目標(biāo)特定信息的表達(dá)能力；（2）病害區(qū)域小，極易造成目標(biāo)任務(wù)的信息丟失，所提出模型通過引入動態(tài)卷積、從不同方向細(xì)粒度地捕獲目標(biāo)區(qū)域的細(xì)節(jié)特征；（3）利用卷積塊注意力機(jī)制從空間和通道維度進(jìn)一步聚焦目標(biāo)任務(wù)，過濾無關(guān)信息的干擾。

為了進(jìn)一步驗(yàn)證所提出模型對不同馬鈴薯病害葉片的檢測精度，分別對早疫病、晚疫病、灰霉病、炭疽病和健康葉片5種類型進(jìn)行單一性能測試，每類葉片選擇50張圖片，取每類葉片病害檢測結(jié)果的均值作為最終的結(jié)果，詳細(xì)結(jié)果如表3所示，可以看出，由于晚疫病病害區(qū)域明顯，相比其余病害類型，其檢測結(jié)果明顯；炭疽病由于病害區(qū)域小，檢測難度增大，但本研究所提出模型仍然可以實(shí)現(xiàn)93.55%的準(zhǔn)確率，這進(jìn)一步驗(yàn)證了該模型的高效性。

3.2.2 自建數(shù)據(jù)集 為驗(yàn)證所提出模型的魯棒性和泛化性能，在自建數(shù)據(jù)集上進(jìn)行測試，包括早疫病、晚疫病、軟腐病、炭疽病和健康葉片5種類型，詳細(xì)結(jié)果見表4。

從表4可以看出，本研究所提出模型在自建數(shù)據(jù)集上具有相同的發(fā)現(xiàn)，尤其是在早疫病的檢測中，仍然可以實(shí)現(xiàn)91.79%的準(zhǔn)確率，這進(jìn)一步說明所提出模型在實(shí)際應(yīng)用場景中同樣有效。

3.2.3 可視化結(jié)果 圖7和圖8分別給出了所提出模型在開源數(shù)據(jù)集和自建數(shù)據(jù)集上的測試可視化?？梢钥闯?，無論在開源數(shù)據(jù)集還是自建數(shù)據(jù)集，多種馬鈴薯病害葉片的檢測效果具有較好的競爭力，驗(yàn)證了所提出模型的高效性，對未來構(gòu)建智慧農(nóng)業(yè)提供一定的理論和技術(shù)支撐。此外，圖9和圖10給出了Yolov3、Yolov5、Faster R-CNN、Vgg-16、ResNet-101模型在開源數(shù)據(jù)集和自建數(shù)據(jù)集上對100張不同馬鈴薯葉片病害圖片的檢測混淆矩陣。其中，橫坐標(biāo)表示模型的預(yù)測結(jié)果，縱坐標(biāo)表示真實(shí)標(biāo)簽。

3.3 消融試驗(yàn)

為探究不同模塊對馬鈴薯病害葉片檢測性能的影響程度，進(jìn)行消融試驗(yàn)。由表5可以看出，任務(wù)感知注意力模塊相比其余模塊，在檢測性能的提升中起著更關(guān)鍵的作用，主要原因是任務(wù)感知注意力模塊直接利用查詢分支提供的任務(wù)特定信息，來強(qiáng)化特征的表達(dá)能力。然而，模型的最好檢測性能是通過組合任務(wù)感知注意力、動態(tài)卷積核和特征強(qiáng)化學(xué)習(xí)模塊共同完成，這也驗(yàn)證了本研究最初的設(shè)計(jì)初衷。

4 結(jié)論

由于馬鈴薯葉片種類多、病害區(qū)域小，導(dǎo)致傳統(tǒng)基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測模型性能局限。本研究提出了一種基于小樣本學(xué)習(xí)的馬鈴薯葉片病害檢測模型，通過挖掘查詢分支中任務(wù)特定信息來提高目標(biāo)任務(wù)的檢測性能；此外，利用動態(tài)卷積核細(xì)粒度地捕獲目標(biāo)在不同方向的特征，強(qiáng)化卷積模塊的建模能力；并在此基礎(chǔ)上，利用卷積塊注意力機(jī)制進(jìn)一步聚焦有限區(qū)域的病害目標(biāo)，提升模型對于不同馬鈴薯病害葉片的檢測性能。這有助于及時(shí)檢測出馬鈴薯病害葉片，預(yù)防馬鈴薯產(chǎn)量和質(zhì)量的下降。根據(jù)所提出模型在開源數(shù)據(jù)集和自建數(shù)據(jù)集上的測試結(jié)果，得出如下結(jié)論。

（1）通過在開源的馬鈴薯病害葉片檢測數(shù)據(jù)集上進(jìn)行測試，所提出模型實(shí)現(xiàn)了93.92%的準(zhǔn)確率、93.81%的精準(zhǔn)率、93.85%的召回率和93.63%的F1值；在自建數(shù)據(jù)集上實(shí)現(xiàn)了93.87%的準(zhǔn)確率、94.02%的精準(zhǔn)率、93.71%的召回率和93.93%的F1值。

（2）利用所提出的任務(wù)感知注意力直接挖掘查詢分支中任務(wù)的特定表達(dá)，可以有效提升模型對于不同病害的檢測性能，這對小樣本學(xué)習(xí)網(wǎng)絡(luò)進(jìn)一步利用任務(wù)特定知識具有一定的借鑒作用。

（3）動態(tài)卷積核可以在垂直、水平和立體窗口中細(xì)粒度地捕獲目標(biāo)區(qū)域的細(xì)節(jié)特征，有助于強(qiáng)化卷積塊的建模能力，提升模型對于不同病害目標(biāo)的檢測性能。

參考文獻(xiàn)：

［1］Chen J D，Chen J X，Zhang D F，et al. Using deep transfer learning for image-based plant disease identification［J］. Computers and Electronics in Agriculture，2020，173：105393.

［2］趙建敏，蘆建文. 基于字典學(xué)習(xí)的馬鈴薯葉片病害圖像識別算法［J］. 河南農(nóng)業(yè)科學(xué)，2018，47（4）：154-160.

［3］Tiwari D，Ashish M，Gangwar N，et al. Potato leaf diseases detection using deep learning［C］//2020 4th International Conference on Intelligent Computing and Control Systems （ICICCS）.Madurai，India.IEEE，2020：461-466.

［4］Mahum R，Munir H，Mughal Z U N，et al. A novel framework for potato leaf disease detection using an efficient deep learning model［J］. Human and Ecological Risk Assessment，2023，29（2）：303-326.

［5］Lee T Y，Lin I A，Yu J Y，et al. High efficiency disease detection for potato leaf with convolutional neural network［J］. SN Computer Science，2021，2（4）：297.

［6］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(bào)，2022，43（10）：183-189.

［7］Rashid J，Khan I，Ali G，et al. Multi-level deep learning model for potato leaf disease recognition［J］. Electronics，2021，10（17）：2064.

［8］趙建敏，李 艷，李 琦，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯葉片病害識別系統(tǒng)［J］. 江蘇農(nóng)業(yè)科學(xué)，2018，46（24）：251-255.

［9］Li J W，Qiao Y L，Liu S，et al. An improved YOLOv5-based vegetable disease detection method［J］. Computers and Electronics in Agriculture，2022，202：107345.

［10］Afzaal H，F(xiàn)arooque A A，Schumann A W，et al. Detection of a potato disease （early blight） using artificial intelligence［J］. Remote Sensing，2021，13（3）：411.

［11］Saeed F，Khan M A，Sharif M，et al. Deep neural network features fusion and selection based on PLS regression with an application for crops diseases classification［J］. Applied Soft Computing，2021，103：107164.

［12］Chen J D，Deng X F，Wen Y X，et al. Weakly-supervised learning method for the recognition of potato leaf diseases［J/OL］. Artificial Intelligence Review，（2022-12-21）［2023-01-08］.https：//doi.org/10.1007/s/0462-022-10374-3.

［13］Abdallah A. Plant village dataset［EB/OL］. （2022-11-26）［2023-01-05］. https：//www.kaggle.com/abdallahalidev/plantvillage-dataset.

［14］Zhang L B，Zhang J，Ma J，et al. SC-PNN：saliency cascade convolutional neural network for pansharpening［J］. IEEE Transactions on Geoscience and Remote Sensing，2021，59（11）：9697-9715.

［15］Wang S H，Zhou Q，Yang M，et al. ADVIAN：Alzheimers disease VGG-inspired attention network based on convolutional block attention module and multiple way data augmentation［J］. Frontiers in Aging Neuroscience，2021，13：687456.

［16］Shuai Y Z，Yuan Q，Zhao S S.A spatial-channel attention-based convolutional neural network for remote sensing image classification［C］//IGARSS 2022—2022 IEEE International Geoscience and Remote Sensing Symposium.Kuala Lumpur，Malaysia.IEEE，2022：3628-3631.