摘要：針對真實環(huán)境下蘋果葉片病害識別背景復雜、識別準確率不高，且一些大型網(wǎng)絡在分類任務中參數(shù)量較大，遷移到移動設備和嵌入式設備上時存在難以存儲等問題，提出一種改進輕量化網(wǎng)絡ShuffleNet v2的識別方法。首先收集了斑點落葉病、灰斑病、花葉病、銹斑病、褐斑病5類常見蘋果葉片病害圖像樣本，通過鏡像高斯和旋轉等方式對圖像進行處理，以增加圖片數(shù)量，提升模型識別和泛化能力。接著基于輕量化ShuffleNet v2網(wǎng)絡為主體，調(diào)整第1層卷積核的尺寸，將3×3、步長為2的卷積核調(diào)整為1×1、步長為1的卷積核。最后融合空間注意力機制，并進行加權，增強模型對重要信息的注意，再引入Ghost模塊，提高模型表征能力。結果表明，改進后的模型相比ShuffleNet v2總體平均精確率提升1.23百分點，平均F1分數(shù)提升了1.21百分點，平均召回率提升了1.20百分點，Top-1準確率提升了1.17百分點，參數(shù)量僅為9.8 MB，說明本研究得出的方法具有較高的準確率，為真實場景下蘋果葉片病害識別提供了一種有效的解決方案，并為未來工作提供新方向。

關鍵詞：蘋果；葉片病害；圖像分類；ShuffleNet v2；Ghost模塊；空間注意力機制

中圖分類號：TP391.41" 文獻標志碼：A

文章編號：1002-1302（2024）13-0214-09

我國是世界上最大的蘋果生產(chǎn)國和消費國［1］。蘋果作為我國栽培面積和產(chǎn)量最大的樹種，在促進農(nóng)民脫貧致富、改善農(nóng)村經(jīng)濟狀況、促進農(nóng)業(yè)產(chǎn)業(yè)化方面起到了重大作用；作為我國第一大果品，在繁榮果品市場、滿足消費者需求方面起到了基礎作用；作為我國少數(shù)具有國際市場競爭優(yōu)勢的農(nóng)產(chǎn)品，無論鮮食蘋果還是蘋果濃縮汁出口均取得了驕人的成績，在國際市場上顯示了舉足輕重的作用［2］。但蘋果病害仍是影響我國蘋果產(chǎn)業(yè)可持續(xù)健康發(fā)展的限制性因素，在不同年份及不同地區(qū)給果農(nóng)造成了重大損失?！吨袊麡洳∠x志（第2版）》共記錄病害107種，若能快速準確地識別蘋果病害，便能減少經(jīng)濟損失，保證蘋果產(chǎn)業(yè)可持續(xù)健康發(fā)展［3］。

傳統(tǒng)的蘋果葉片病害檢測和診斷方法通常依賴于人工觀察和經(jīng)驗判斷，葉片病害相近、數(shù)量多且形狀較小，導致人工識別不僅耗時費力，還容易受主觀因素的影響，葉片病害識別準確率不高。隨著計算機視覺和機器學習領域的快速發(fā)展，深度學習和機器學習經(jīng)常被應用在眾多領域中，如在醫(yī)學領域中進行圖像識別［4-5］、化學領域中進行結構異常識別［6-7］、農(nóng)業(yè)領域中進行病害識別［8］等。其中，較大的網(wǎng)絡、層次較深的網(wǎng)絡會消耗更多的計算資源、花費更多的時間，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［9］，主要有MobileNeXt模型［10］、Regnet模型［11］、EfficientNet系列［12-13］、ShuffleNet系列中的ShuffleNet v1模型［14］，這些模型在農(nóng)學領域的應用中均取得了不錯的成績。劉小玲等在MobileNeXt模型上引入坐標注意力機制（CA模塊），結合Inception模塊與Ghost模塊設計了2種SCI（sandglass-CA-inception）結構，在蘋果葉片病害識別中Top-1準確率提升了1.23百分點［15］。杜甜甜等在RegNet模型基礎上利用通道注意力機制和多尺度特征融合策略，最終在農(nóng)作物病害程度識別中準確率提升至94.5%［16］。王大慶等在EfficientNet B4模型上通過遷移學習、微調(diào)，在PlantVillage的預訓練模型遷移至自主構建的玉米病害數(shù)據(jù)集上訓練，準確度達到98.61%［17］。針對同是蘋果葉片的識別，趙嘉威等將YOLO v4網(wǎng)絡結構中的網(wǎng)絡CSPDarknet53換成了輕量級的MobileNet v3網(wǎng)絡，并在加強特征提取網(wǎng)絡結構中引入深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，引入卷積注意力機制（CBAM模塊），并通過 K-means 聚類算法將模型的錨框信息更新，最后平均精度提升至97.25%［18］。于雪瑩等設計了一種基于混合注意力機制的殘差網(wǎng)絡，訓練蘋果葉片病害圖片，得到了不錯的成績［19］。

傳統(tǒng)的大模型在蘋果葉片病害識別方面取得了出色的成果，但它們通常含有大量的參數(shù)，這限制了它們在移動設備上的應用。因此，本試驗基于ShuffleNet v2模型［20-21］進行改進，改進后的模型旨在確保高準確率的同時，保持模型輕量化的體積，實現(xiàn)易用性與性能的完美平衡。改進后的模型可以準確識別蘋果葉片病害，優(yōu)化蘋果生長監(jiān)測，并為果農(nóng)節(jié)約經(jīng)濟和時間成本，為農(nóng)業(yè)生產(chǎn)的智能化發(fā)展提供新思路和解決方案。

1 試驗材料與方法

1.1 試驗數(shù)據(jù)

本研究的數(shù)據(jù)集由西北農(nóng)林科技大學制作，分別在西北農(nóng)林科技大學白水蘋果試驗站、洛川蘋果試驗站和慶城蘋果試驗站采集樣本圖像。數(shù)據(jù)集主要在晴天光線良好的條件下獲取，部分圖像在陰雨天進行采集，不同的采集條件豐富了數(shù)據(jù)集的多樣性。數(shù)據(jù)集包括斑點落葉病、褐斑病、灰斑病、花葉病以及銹斑病等5種常見的蘋果葉面病理圖像數(shù)據(jù)，具體如圖1所示。

1.2 數(shù)據(jù)預處理

為提高模型的泛化能力、減少過擬合，通過水平鏡像、調(diào)節(jié)亮度、高斯噪聲和圖像旋轉等完成對數(shù)據(jù)集的預處理，以斑點落葉病類為例，具體如圖2所示，總共獲取蘋果病害圖像26 376張圖片作為最終的蘋果葉片病害數(shù)據(jù)集，按照8 ∶2的比例將數(shù)據(jù)集劃分為訓練集和測試集，具體如表1所示。

1.3 試驗方法

1.3.1 ShuffleNet v2的基本模型

本試驗基于輕量化網(wǎng)絡ShuffleNet v2進行改進，原ShuffleNet v2網(wǎng)絡模型提出4條輕量化網(wǎng)絡的設計原則。第1條原則：等通道寬度，將卷積層的輸入和輸出通道數(shù)設置成相等的。在分組卷積中，通常將輸入和輸出通道分成若干組，每組進行卷積操作。而當分組數(shù)相等時，每組的通道數(shù)相同，這樣可以最大限度地減少內(nèi)存訪問的開銷。因為當通道數(shù)不相等時，可能會導致內(nèi)存訪問不連續(xù)，從而增加內(nèi)存訪問的成本。第2條原則：過多的分組卷積會增加內(nèi)存成本，當分組數(shù)過多時，會導致每組通道數(shù)變少，進而增加內(nèi)存訪問的次數(shù)，使得內(nèi)存訪問成本增加。因此，過多的分組卷積操作會增加總的計算成本。第3條原則：網(wǎng)絡碎片降低了并行度，為了在通道混洗操作時實現(xiàn)并行計算，ShuffleNet v2將輸入特征圖分割成2個部分，然后交叉連接這2個部分。然而，當網(wǎng)絡分割過多時，會降低并行計算的效率，從而導致網(wǎng)絡的并行度下降。因此，要避免過多的網(wǎng)絡分割，以保持高度的并行計算效率。第4條原則：逐元素操作，指的是在2個張量之間逐個元素進行操作，例如逐元素相加或逐元素相乘等。雖然這些操作看起來簡單，但在深度學習模型中，它們的計算量也是不容忽略的。因此需要考慮它們的計算成本，以保持網(wǎng)絡的高效性。目前的輕量化網(wǎng)絡并不能全部滿足這4條原則，只有ShuffleNet v2都可以滿足?；谶@4條原則設計出的ShuffleNet v2的網(wǎng)絡單元結構如圖3所示。

在圖3-a單元結構（以下簡稱1結構）中，步長為1，可以看作是ShuffleNet v2的基本模塊。輸入對的特征圖片進行通道分割，被分成若干通道數(shù)相同的組，分組卷積中，每個組內(nèi)進行卷積操作，將不同組內(nèi)的特征信息分別提取。1結構把輸入特征圖的維度分給左、右分支各一半，左分支不進行任何卷積操作保持不變，右分支經(jīng)歷3個卷積。首先，經(jīng)過1×1的普通卷積對通道進行適當調(diào)整，以實現(xiàn)通道間的線性組合，能夠在減少參數(shù)的同時，保持特征圖的維度不變。其次，經(jīng)過3×3的深度可分離卷積，深度可分離卷積包括2個步驟：深度卷積和逐點卷積，其中深度卷積在每個通道上分別進行卷積操作，而逐點卷積在通道間進行組合。3×3深度可分離卷積是ShuffleNet v2中的主要卷積操作，用于空間維度上的特征提取。最后再經(jīng)過1×1的普通卷積。左右分支的結果通過合并連接（特征層在通道數(shù)維度進行拼接），將合并后的圖像特征進行通道混洗，將通道重新組合，以實現(xiàn)不同組之間的信息交流和融合。通道混洗可以增加特征圖之間的交互性，增強網(wǎng)絡的表達能力。在圖3-b單元結構（以下簡稱2結構）中，步長為2，可以看作是ShuffleNet v2的下采樣模塊。2結構中沒有使用通道分割，右分支除深度可分離卷積的步長不同外，其余都與1結構一致，左分支通過3×3的深度可分離卷積和1×1的普通卷積，最后左右分支合并和混洗，圖片的長和寬減半，而通道數(shù)加倍。

ShuffleNet v2中1結構的輸入和輸出都經(jīng)過 1×1的卷積，所以通道數(shù)保持不變，故滿足第1條原則；其次ShuffleNet v2中并沒有選用分組數(shù)過大的分組卷積，故滿足第2條原則；ShuffleNet v2中沒有過多使用碎片化網(wǎng)絡，故滿足第3條原則；最后ShuffleNet v2用合并連接替換ShuffleNet v1中的相加連接，減少了逐元素操作，故滿足第4條原則。

ShuffleNet v2 1.0x網(wǎng)絡結構如圖4所示。輸入圖片大小為3像素×224像素×224像素，經(jīng)過卷積核大小為3×3、步長為2的普通卷積后，得到24像素×112像素×112像素的特征圖，經(jīng)過池化核大小為3×3、步長為2的最大池化層后，大小變成24像素×56像素×56像素的特征圖，隨后經(jīng)過Stage2、Stage3、Stage4。每個Stage都是由ShuffleNet v2的1結構和2結構組成，每個Stage中1結構同2結構的重復次數(shù)的比例分別為3 ∶1、7 ∶1、3 ∶1。Stage2得到特征圖尺寸為116像素×28像素×28像素，Stage3得到的特征圖尺寸為232像素×14像素×14像素，Stage4得到的特征圖尺寸為464像素×7像素×7像素。再通過卷積核尺寸為1×1、步長為1的普通卷積后，特征圖大小為1 024像素×7像素×7像素，最后經(jīng)過平均池化層以及全連接層得到最后的輸出。

1.3.2 Ghost模塊

Ghost模塊作為核心模塊在GhostNet模型中［22］。Ghost模塊的設計目標是在不增加太多計算成本的情況下，增加網(wǎng)絡的表示能力。Ghost模塊的關鍵思想是引入了“Ghost”通道，通過利用少量的“Ghost”通道來學習更豐富的特征表示。Ghost模塊包含2個主要部分：主要分支和Ghost分支。主要分支是一個普通的卷積分支，它有較多的輸出通道數(shù)，其負責學習主要的特征表示。Ghost分支是一個較小的卷積分支，它有較少的輸出通道數(shù)，其負責學習更豐富的特征表示。雖然輸出通道較少，但通過多個Ghost分支的疊加可以學習更多的特征。Ghost模塊（圖5）的操作如下：將輸入特征圖分成2個部分，一個用于主要分支，另一個用于Ghost分支。主要分支執(zhí)行普通的卷積操作，Ghost分支通過一組較少的卷積操作對輸入特征圖進行處理，生成一組“Ghost”通道。最后將主要分支和Ghost分支的輸出進行連接，形成Ghost模塊的最終輸出。

假設輸入圖片特征為c×h×w，卷積核為c×k×k×n，通過φx操作得到幻影特征圖s張，輸出特征是h1×w1×n。如果每次使用的內(nèi)核大小為d×d，Ghost模塊的理論加速比rs和參數(shù)壓縮比rc為：

rs=n×h1×w1×c×k×kns×h1×w1×c×k×k+（s-1）×h1×w1×d×d≈s×cs+c-1≈s；

rc=n×c×k×knc×c×k×k+（s-1） ns×d×d≈s×cs+c-1≈s。

1.3.3 空間注意力機制

空間注意力機制如圖6所示，它用于增強神經(jīng)網(wǎng)絡對輸入數(shù)據(jù)中不同位置的關注度。它可以在讓模型能夠有選擇性地關注重要的區(qū)域，從而提高模型的表現(xiàn)力。在計算機視覺中，空間注意力機制可以幫助模型在處理圖像時，聚焦于圖像中的重要區(qū)域或物體，忽略不重要的背景區(qū)域。在自然語言處理中，空間注意力機制可以使模型更好地理解句子中不同詞之間的關系，從而提高翻譯、文本分類等任務的準確性?？臻g注意力機制的核心思想是：根據(jù)不同區(qū)域的重要程度來調(diào)整模型的權重，使得模型可以對輸入的不同位置有不同的響應。具體的實現(xiàn)如下：在通道維度上進行最大值和平均值的合并，把特征圖壓縮成1像素×W像素×H像素，然后通過帶有注意力權重的3×3或者7×7卷積來提取重要信息。假設F是輸入的圖像特征，那么注意力機制處理過程 Ms（F） 為：

Ms（F）=σ（f3×3{［avgpool（F）；maxpool（F）］}）=σ［f3×3（Fsavg；Fsmax）］。

1.3.4 改進的ShuffleNet v2模型

為了增強ShufffleNet v2模型提高特征表達能力以及改善泛化性能。本試驗在原模型的基礎上增加3個創(chuàng)新點，具體如圖7所示。首先，調(diào)整第1層卷積層尺寸，由3×3、步長為2的卷積核調(diào)整為1×1、步長為1的卷積核。在深度學習模型中，計算量通常與模型的復雜度和推理速度直接相關。通過減少第1層的卷積核大小，降低模型的計算負擔，從而在資源有限的情況下提高模型的效率和速度。其次，引入的空間注意力機制位于第1層卷積層后，最大池化層前。這個位置引入空間注意力機制可以提高初始特征的表示能力，為后續(xù)層的特征提取打下良好基礎，而且在池化層之前可以減少信息丟失。通過后續(xù)的試驗也證明在第1層卷積后引入空間注意力機制的性能要優(yōu)于在最后1層卷積前引入?？臻g注意力機制的引用解決了原模型對捕捉復雜背景下的圖像重要特征的不足，其可以改進模型的特征表示能力、泛化能力和魯棒性。最后在空間注意力機制后加入Ghosst模塊，Ghost模塊允許模型在一層中使用更多的卷積核，從而增加特征通道數(shù)量。這樣可以提高網(wǎng)絡的特征表示能力，使模型更好地捕捉圖像中的復雜特征和模式。Chost模塊的引入解決了原模型可能在特征表示方面的豐富性和泛化能力不足的問題，它使模型更好地捕捉圖像中的復雜特征和模式，同時通過正則化技術減少過擬合風險，提升模型在各種任務中的泛化性能并且可以在較少的參數(shù)和計算資源下獲得更好的性能。這使得ShuffleNet v2在輕量級模型中具有更強大的特征表示和分類能力。通過后續(xù)試驗證明，引入Ghost模塊位于第1層卷積后的性能要優(yōu)于引入在最后1層卷積前。

1.4 試驗平臺和超參數(shù)設置

本研究均使用Python環(huán)境3.8和深度學習框架Pytorch1.9.0實現(xiàn)。CPU型號為6 vCPU IntelXeon Gold 6130 CPU，GPU型號為V100-32 GB，顯存32 GB。操作系統(tǒng)為Ubuntu18.04。

本試驗均采用隨機梯度下降（SGD）優(yōu)化器訓練所有模型，衰減和動量設置為0.8，權重衰減設置為0.000 04，學習率初始化為0.015 625，批量大小（batchsize）設置為32，每張圖片輸入大小為3像素×224像素×224像素，并設置輪數(shù)（epoch）為30次。

1.5 評估指標

本研究主要關注以下4個指標：Top-1準確率（A）、平均精確率（P）、平均召回率（R）和平均F1值，這些指標是用于評估分類模型性能的重要標準。本研究以這4個指標為基礎，列出每種模型的混淆矩陣?；煜仃囀且粋€用于匯總分類結果的表格，其中包含4個重要的統(tǒng)計量：TP表示實際為正類別且被模型預測為正類別的樣本數(shù)量；FP表示實際為負類別但被模型錯誤地預測為正類別的樣本數(shù)；FN表示實際為正類別但被模型錯誤地預測為負類別的樣本數(shù)；TN表示實際為負類別且被模型正確地預測為負類別的樣本數(shù)量，由此可以計算出4個評估指標。準確率表示分類正確的樣本占總樣本數(shù)的個數(shù)，A=TP+TNTP+TN+FP+FN。精確率表示所有被模型預測為正樣本中，實際為正類別的樣本所占比例，P=TPTP+FP。平均精確率是在多個類別上計算各自精確率的平均值，對于多類別問題，可以對每個類別計算精確率，并將它們?nèi)∑骄玫狡骄_率，MP=P1+P2+…+Pkk。召回率是指在所有實際為正類別的樣本中，被模型正確預測為正類別樣本所占的比例，R=TPTP+FN；而平均召回率是用于衡量多分類模型在所有類別上的平均召回率，MR=R1+R2+…+Rkk。F1分數(shù)是綜合了精確率和召回率的一個評估模型性能的指標，F(xiàn)1=2×P×RP+R；平均F1分數(shù)用于綜合評估多分類問題中模型在所有類別上的性能，通過計算各個類別的F1分數(shù)并求平均得到結果， MF1=F1+F2+…+Fkk。Top-1準確率表示的是使用最大概率值預測的結果與實際結果相符的準確率，根據(jù)每個類別相應計算結果取均值可獲得其余3個指標。

2 試驗結果與分析

2.1 不同分類模型的性能

由于本試驗基于輕量化模型ShuffleNet v2進行改進，所以在挑選對比模型時，選用的全部為輕量化模型，在參數(shù)都較小的情況下，對比出的結果更為可靠、更有說服力。對比的模型有ShuffleNet v2原模型、引入官方權重的ShuffleNet v2 1.0x、ShuffleNet v1模型、RegNetx模型、EfficientNet v2模型、MobileNet v3模型，對比結果如表2所示。將不同模型在4個評價指標上的得分繪制成4張散點圖，具體如圖8所示。

由表2和圖8可以看出，改進的ShuffleNet v2模型在4個評價指標上都表現(xiàn)最優(yōu)，Top-1準確率達到了95.14%，平均精確率達到了95.14%，平均召回率達到了95.1%，平均F1分數(shù)達到了95.12%。Top-1 準確率比原模型ShuffleNet v2高1.17百分點，平均精確率比原模型高1.23百分點，平均召回率比原模型高1.20百分點，平均F1分數(shù)比原模型高1.21百分點。通過對比可以看出，改進的ShuffleNet v2模型在各個方面都是占據(jù)優(yōu)勢的。

由此可以確定改進的ShuffleNet v2模型為最終改進模型。改進后的模型對5類病害的精確率、召回率、F1分數(shù)、平均精確度如圖9所示，模型混淆矩陣如圖10所示。

通過圖9可以發(fā)現(xiàn)，褐斑病和花葉病上的精確率顯著高于其他模型，其中花葉病的精確率達到98.96%。在召回率指標中褐斑病最高，達到98.05%。在F1分數(shù)指標中依舊是褐斑病和花葉病領先于其他病害。在平均精確度指標中5類病害之間相差較小，其中褐斑病高達99.92%。通過圖10可以看出，褐斑病是其中識別效果最優(yōu)的。

2.2 消融試驗

由于本研究中提出了一個改進的ShuffleNet v2模型，該模型在調(diào)整卷積、引入模型和引入注意力機制等3個方面進行了創(chuàng)新，為了評估這些創(chuàng)新點對整體模型性能的影響進行了消融試驗。消融試驗是一種常見的試驗方法，用于逐步剔除或修改模型的關鍵組件， 以揭示它們在模型性能中的貢獻。本研究進行了組件消融試驗，逐步剔除了模型中的新組件，并重新訓練了模型。結果表明，這些新組件對模型的性能改進起到了至關重要的作用，驗證了提出的創(chuàng)新點的有效性，具體如表3所示。

由表3可以得出，改進的ShuffleNet v2 在所有4個指標上均表現(xiàn)最佳。改變卷積核尺寸和引入Ghost模塊，能顯著提升了模型性能，特別是在 Top-1 準確率和平均精確率上表現(xiàn)突出。引入空間注意力機制和Ghost模塊、改變卷積核和引入空間注意力機制這2種組合改進也有一定的效果，但不如前述2種組合改進明顯。單獨改變卷積核尺寸在平均召回率上表現(xiàn)良好，單獨引入Ghost模塊或空間注意力機制不會提升模型的性能。通過這些分析得出，綜合多種改進措施對ShuffleNet v2模型性能的提升最為明顯。

本研究驗證了空間注意力機制位于第1層卷積后的性能最優(yōu)，具體如表4所示。原ShuffleNet v2模型將3個Stage層封裝成1個整體，并且空間注意力機制需放在池化層前才不會引起信息丟失的問題。綜合上述2個因素可知，空間注意力機制只適合放在第1層卷積后和最后1層卷積前這2個位置。同時，為了驗證改變卷積核尺寸大小的影響，針對卷積核的調(diào)整沒有改變。

此外，本研究還證明了Ghost模塊放在第1層卷積后面的性能最好，具體如表5所示。消融試驗保留了對第1層卷積的調(diào)整和引入空間注意力機制的位置。

上述消融試驗的全面評估，不僅驗證了所有的改進點對模型性能的有效性，還證明了空間注意力機制和Ghost模塊位置的合理性。當空間注意力機制和Ghost模塊放在被調(diào)整尺寸的第1層卷積后，才能使模型性能達到最優(yōu)。特征消融試驗結果顯示，刪除任何一個重要創(chuàng)新點都會降低模型的性能，從而證明了它們在模型中的重要性。

3 結論

針對真實場景下蘋果葉片病害圖像背景環(huán)境復雜的情況，本研究提出一種改進的ShuffleNet v2模型。在原始ShiffleNet v2模型的基礎上改變卷積核尺寸，即將3×3、步長為2的卷積核調(diào)整為1×1、步長為1的卷積核。其次加入空間注意力機制，最后引入Ghost模塊增加了模型的寬度，使得模型在計算資源受限的情況下也能獲得更好的性能。試驗結果表明，改進的ShuffleNet v2模型在識別蘋果葉片病害方面有更好的效果，更加適應真實環(huán)境，特征學習能力有所增強。它與原模型ShuffleNet v2相比，參數(shù)量僅為9.8 MB，但總體平均精確率提升了1.23百分點，平均F1分數(shù)提升了1.21百分點，平均召回率提升1.20百分點，Top-1準確率提升了1.17百分點，驗證其提升性。改進后的ShuffleNet v2模型做到了輕量化的同時，保證了高準確率，但仍有一些潛在的改進方向值得進一步探索。如進一步優(yōu)化空間注意力機制的設計、探索更加高效的Ghost模塊結構或者將改進模型應用于特定的任務和應用場景中。

參考文獻：

［1］張強強，霍學喜，劉軍弟，等. 世界蘋果產(chǎn)銷格局及市場動態(tài)預測分析［J］. 世界農(nóng)業(yè)，2016（7）：147-152，248.

［2］翟 衡，史大川，束懷瑞. 我國蘋果產(chǎn)業(yè)發(fā)展現(xiàn)狀與趨勢［J］. 果樹學報，2007，24（3）：355-360.

［3］王樹桐，王亞南，曹克強. 近年我國重要蘋果病害發(fā)生概況及研究進展［J］. 植物保護，2018，44（5）：13-25，50.

［4］朱紅標，劉強冬，戴 芳，等. 深度學習在口腔醫(yī)學圖像分析中的研究進展［J］. 中國實用口腔科雜志，2023，16（4）：488-492.

［5］唐友發(fā)，王秋霞，張進華. 深度學習重建算法在腸系膜上動脈CT血管成像中的應用評估［J］. 暨南大學學報（自然科學與醫(yī)學版），44（3）：316-322.

［6］蟻佳才，張小琛，劉 丹. 基于深度學習的化學結構識別研究［J］. 中南藥學，2022，20（2）：247-253.

［7］熊義輝，左仁廣. 基于物理約束深度學習地球化學異常識別［C］//首屆全國礦產(chǎn)勘查大會論文集.合肥，2021：488.

［8］杜海順，張春海，安文昊，等. 基于多層信息融合和顯著性特征增強的農(nóng)作物病害識別［J］. 農(nóng)業(yè)機械學報，2023，54（7）：214-222.

［9］畢鵬程，羅健欣，陳衛(wèi)衛(wèi). 輕量化卷積神經(jīng)網(wǎng)絡技術研究［J］. 計算機工程與應用，2019，55（16）：25-35.

［10］Zhou D Q，Hou Q B，Chen Y P，et al. Rethinking bottleneck structure for efficient mobile network design［C］//Vedaldi A，Bischof H，Brox T，et al. Computer Vision-ECCV 2020. Switzerland：Springer Cham，2020：680-697.

［11］Radosavovic I，Kosaraju R P，Girshick R，et al. Designing network design spaces［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，2020：10425-10433.

［12］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［C］. Proceedings of the 36th International Conference on Machine Learning Long Beach，2019.

［13］Tan M X，Le Q V. EfficientNet v2：smaller models and faster training［J］. ArXiv，2021（8）：210400298.

［14］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，2018：6848-6856.

［15］劉小玲，崔艷榮. 基于改進輕量化網(wǎng)絡MobileNeXt的蘋果葉片病害識別方法［J］. 江蘇農(nóng)業(yè)科學，2023，51（10）：185-193.

［16］杜甜甜，南新元，黃家興，等. 改進RegNet識別多種農(nóng)作物病害受害程度［J］. 農(nóng)業(yè)工程學報，2022，38（15）：150-158.

［17］王大慶，祿 琳，于興龍，等. 基于深度遷移學習的EfficientNet玉米葉部病害識別［J］. 東北農(nóng)業(yè)大學學報，2023，54（5）：66-76.

［18］趙嘉威，田光兆，邱 暢，等. 基于改進YOLO v4算法的蘋果葉片病害檢測方法［J］. 江蘇農(nóng)業(yè)科學，2023，51（9）：193-199.

［19］于雪瑩，高繼勇，王首程，等. 基于生成對抗網(wǎng)絡和混合注意力機制殘差網(wǎng)絡的蘋果病害識別［J］. 中國農(nóng)機化學報，2022，43（6）：166-174.

［20］Ma N N，Zhang X Y，Zheng H T，et al. ShuffleNet v2：practical guidelines for efficient CNN architecture design［C］//15th Europen Conference on Computer Vision -ECCV 2018. Munich：ACM，2018：122-138.

［21］張超宇，王應彪，顏 旭，等. 基于改進ShuffleNetV2網(wǎng)絡的核桃破殼物料殼仁分類識別方法［J］. 江蘇農(nóng)業(yè)學報，2023，39（4）：1015-1025.

［22］Han K，Wang Y H，Tian Q，et al. GhostNet：more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，2020：1577-1586.