摘要：傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在番茄葉部病害識(shí)別中存在結(jié)構(gòu)復(fù)雜、參數(shù)龐大等問(wèn)題，導(dǎo)致難以在移動(dòng)設(shè)備上實(shí)現(xiàn)良好的應(yīng)用效果。因此，提出一種基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法。首先，將番茄葉片病害圖片進(jìn)行數(shù)據(jù)增強(qiáng)擴(kuò)充，保證數(shù)據(jù)分布均勻；其次，繪制MobileNet v3模型基于擴(kuò)充數(shù)據(jù)集tomato2的敏感度分析曲線圖，根據(jù)敏感度分析曲線圖對(duì)模型的輸出通道數(shù)進(jìn)行裁剪，構(gòu)建輕量化卷積神經(jīng)網(wǎng)絡(luò)模型MobileNet v3-Prune；最后，運(yùn)用4種卷積神經(jīng)網(wǎng)絡(luò)及其對(duì)應(yīng)的輕量化模型對(duì)番茄葉片病害圖片訓(xùn)練進(jìn)行試驗(yàn)對(duì)比。結(jié)果表明，MobileNet v3-Prune對(duì)番茄葉片病害識(shí)別性能最佳，在測(cè)試集上的平均識(shí)別準(zhǔn)確率達(dá)到了99.60%，模型權(quán)重僅為3.69 MB，單張圖片識(shí)別時(shí)間為12.13 ms。本研究結(jié)果可以為移動(dòng)設(shè)備上的番茄葉片病害識(shí)別應(yīng)用的實(shí)現(xiàn)提供理論支持。

關(guān)鍵詞：番茄葉片病害；數(shù)據(jù)增強(qiáng)；MobileNet v3；敏感度分析；輕量化模型

中圖分類號(hào)：TP391.41；S126文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）11-0225-06

農(nóng)業(yè)是國(guó)民經(jīng)濟(jì)建設(shè)和發(fā)展的基礎(chǔ)，番茄作為重要蔬菜被各國(guó)廣泛種植。據(jù)農(nóng)業(yè)農(nóng)村部統(tǒng)計(jì)，近年來(lái)我國(guó)番茄種植面積約為100萬(wàn)hm2，產(chǎn)量超過(guò) 6 000萬(wàn)t，占我國(guó)蔬菜產(chǎn)量的7%以上，是我國(guó)最重要的經(jīng)濟(jì)農(nóng)作物之一［1］。由于我國(guó)番茄栽培面積廣闊，品種豐富，在大產(chǎn)量的供給下為番茄病害提供了有利條件，成為番茄生產(chǎn)的重要限制因素之一。因此，對(duì)番茄病害的精準(zhǔn)識(shí)別和正確防治是目前解決此問(wèn)題的有效手段之一。

傳統(tǒng)的番茄病害識(shí)別往往得益于農(nóng)民的長(zhǎng)期經(jīng)驗(yàn)，但是番茄病害種類繁多，通過(guò)人工觀察識(shí)別耗時(shí)耗力。隨著近年來(lái)卷積神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，農(nóng)作物病害識(shí)別取得了初步進(jìn)展，已逐步成為各高校與研究所的研究熱點(diǎn)，并廣泛運(yùn)用于農(nóng)作物病害圖像識(shí)別領(lǐng)域。陳偉文等研究了AlexNet在番茄葉片病害識(shí)別時(shí)產(chǎn)生的過(guò)擬合問(wèn)題，實(shí)現(xiàn)了對(duì)番茄葉片病害的分類識(shí)別［2］；徐振南等通過(guò)MobileNet v3模型實(shí)現(xiàn)對(duì)馬鈴薯葉部5類病害的分類識(shí)別［3］；胡玲艷等構(gòu)建的CKFENet模型在強(qiáng)噪聲環(huán)境下對(duì)番茄病害識(shí)別準(zhǔn)確率達(dá)到78%，穩(wěn)定性強(qiáng)且占用內(nèi)存?。?］；孫文杰等采用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)以挖掘和記憶輸入序列數(shù)據(jù)，實(shí)現(xiàn)了對(duì)桃樹(shù)葉部病害的圖像識(shí)別［5］；林建吾等提出的番茄病害識(shí)別模型 FTL-MobileNet 通過(guò)引入Focal Loss代替交叉熵?fù)p失函數(shù)，使其模型泛化能力更好、識(shí)別精度更高［6］；趙越等研究了一種基于Faster R-CNN的馬鈴薯葉片病害識(shí)別模型，應(yīng)用COCO初始權(quán)重進(jìn)行遷移學(xué)習(xí)，其識(shí)別準(zhǔn)確率達(dá)到了99.5%［7］；帖軍等提出的 SK-EfficientNet 模型，不僅能提高圖像特征提取能力，同時(shí)更能有效地利用參數(shù)，對(duì)番茄葉片病害識(shí)別的準(zhǔn)確率達(dá)到了99.64%［8］；周巧黎等同時(shí)使用Mixup混合數(shù)據(jù)增強(qiáng)、Focal Loss損失函數(shù)和遷移學(xué)習(xí)對(duì)MobileNet v3模型進(jìn)行改進(jìn)，提高了模型的識(shí)別準(zhǔn)確率及識(shí)別速率［9］；牛學(xué)德等通過(guò)將遷移學(xué)習(xí)和DenseNet卷積神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，得到測(cè)試準(zhǔn)確率達(dá)到97.76%的番茄病害識(shí)別模型［10］；謝家興等對(duì)網(wǎng)絡(luò)特征提取模塊采用混合空洞卷積，實(shí)現(xiàn)了對(duì)5類荔枝病蟲(chóng)害圖像的分類識(shí)別［11］；徐健等通過(guò)減少M(fèi)obileNet v3冗余網(wǎng)路結(jié)構(gòu)及改進(jìn)MobileNet v3的池化層，完成了嵌入式設(shè)備對(duì)棉雜的在線檢測(cè)［12］；陳桂芬等研究了一種基于數(shù)據(jù)增強(qiáng)及遷移學(xué)習(xí)相結(jié)合的卷積網(wǎng)絡(luò)，提高了模型的識(shí)別準(zhǔn)確率及泛化能力［13］。上述研究在實(shí)現(xiàn)番茄及其他農(nóng)作物病害識(shí)別的同時(shí)，也考慮了準(zhǔn)確率、識(shí)別速率、模型大小等特性，但模型性能還有待提高，要將其應(yīng)用在移動(dòng)設(shè)備上實(shí)現(xiàn)在田間的實(shí)際番茄病害識(shí)別還存在一定距離。

因此，本研究介紹了一種利用輕量化卷積神經(jīng)網(wǎng)絡(luò)對(duì)番茄病害圖像識(shí)別的方法，該方法不僅能夠?qū)崿F(xiàn)高分類準(zhǔn)確率的識(shí)別，而且還能夠顯著減少模型所需內(nèi)存占用，提高識(shí)別速率，使其能夠最大程度地應(yīng)用于性能不同的移動(dòng)終端和硬件平臺(tái)，以期為智慧農(nóng)業(yè)科技的開(kāi)展提供技術(shù)支持與方法。

1 數(shù)據(jù)來(lái)源及預(yù)處理

1.1 試驗(yàn)數(shù)據(jù)集

本試驗(yàn)研究對(duì)象為番茄葉部病害圖像，試驗(yàn)數(shù)據(jù)集來(lái)自PlantVillage公開(kāi)數(shù)據(jù)集，該數(shù)據(jù)集共計(jì) 54 000 多張圖片，包含14種蔬菜和水果，38種類別的標(biāo)簽。番茄葉片試驗(yàn)樣本主要包括10類常見(jiàn)的番茄病害葉片，其中早疫病1 000張、晚疫病1 909張、細(xì)菌斑點(diǎn)病2 127張、葉霉病952張、斑枯病 1 771 張、靶斑病1 404張、二斑葉螨病1 676張、花葉病毒病373張、黃曲葉病5 357張、健康葉片 1 591 張，共計(jì)18 160張圖片樣本。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 幾何變換

為保證數(shù)據(jù)集的多樣化及充足性，對(duì)其采用了幾何變換的數(shù)據(jù)增強(qiáng)［14］，包括圖像歸一化、隨機(jī)裁剪、隨機(jī)旋轉(zhuǎn)、隨機(jī)水平翻轉(zhuǎn)，提高了樣本的質(zhì)量和數(shù)量以及訓(xùn)練模型的泛化能力，力求達(dá)到自然環(huán)境下對(duì)番茄葉片病害的識(shí)別效果。以斑枯病為例，幾何變換示意見(jiàn)圖1。

1.2.2 顏色變換

幾何變換類數(shù)據(jù)增強(qiáng)并沒(méi)有改變圖像本身，僅是將圖像的一部分或者對(duì)像素進(jìn)行了重分布。顏色變換類數(shù)據(jù)增強(qiáng)［15］則是改變圖像本身以增加數(shù)據(jù)的復(fù)雜程度，本研究采用了包括調(diào)整圖像亮度、對(duì)比度和色調(diào)等數(shù)據(jù)增強(qiáng)方法。以番茄葉片斑枯病為例，顏色變換示意見(jiàn)圖2。以數(shù)據(jù)集均勻分布作為前提對(duì)圖像進(jìn)行擴(kuò)充，擴(kuò)充后圖像總數(shù)為23 735張，10種番茄病害類型的分布見(jiàn)表1。

本研究將數(shù)據(jù)集中的90%作為訓(xùn)練集，10%作為測(cè)試集，其中訓(xùn)練集共有21 361張圖片，測(cè)試集共有2 374張圖片，統(tǒng)一采用jpg格式，將圖像像素大小統(tǒng)一調(diào)整到256×256像素。將PlantVillage公開(kāi)數(shù)據(jù)集中的18 159張番茄葉片病害圖片設(shè)為tomato1數(shù)據(jù)集，將基于數(shù)據(jù)增強(qiáng)擴(kuò)充后的23 735張番茄葉片病害圖片設(shè)為tomato2數(shù)據(jù)集，以便于后續(xù)研究對(duì)數(shù)據(jù)增強(qiáng)方法進(jìn)行驗(yàn)證。

2 輕量化番茄葉片病害識(shí)別模型

2.1 MobileNet v3網(wǎng)絡(luò)模型

輕量級(jí)網(wǎng)絡(luò)具有參數(shù)少、訓(xùn)練速度快、推算時(shí)間短等特點(diǎn)，且更適用于存儲(chǔ)空間及算力受限的嵌入式設(shè)備等邊緣計(jì)算設(shè)備。MobileNet v3［16］在經(jīng)歷MobileNet v1［17］和MobileNet v2［18］ 2代積累后，在模型訓(xùn)練速度及精度方面都表現(xiàn)優(yōu)異，其模型結(jié)構(gòu)見(jiàn)表2。

MobileNet v3不但繼承了v1的深度可分離卷積方法，將空間濾波和特征形成機(jī)制分開(kāi)，進(jìn)而合理地分解傳統(tǒng)卷積結(jié)構(gòu)，同時(shí)采用v2線性瓶頸的倒殘差機(jī)制以代替線性整流函數(shù)（linear rectification function，ReLU），以減少網(wǎng)絡(luò)的總體參數(shù)量，加快模型的運(yùn)行速度。

MobileNet v3模型增添了獨(dú)特的Bneck網(wǎng)絡(luò)結(jié)構(gòu)，在結(jié)構(gòu)中將Hard-swish激活函數(shù)與ReLU激活函數(shù)互搭使用，以減少運(yùn)算量，提高算法的推理性能。Hard-swish函數(shù)如公式（1）所示：

式中：x為輸入特征矩陣；Hard-swish代替原來(lái)Swish的激活函數(shù)；ReLU6［19］為普通ReLU激活函數(shù)，限制最大輸出值為6。本研究選用MobileNet v3模型針對(duì)數(shù)據(jù)集的規(guī)模大小分為MobileNet v3-Large和MobileNet v3-Small，本研究選用MobileNet v3-Large模型，具體結(jié)構(gòu)見(jiàn)表2。

2.2 模型輕量化方法

本研究基于飛槳（PaddlePaddle）深度學(xué)習(xí)框架開(kāi)發(fā)設(shè)計(jì)了番茄葉片病害識(shí)別模型，PaddleSlim是一款專門(mén)用于深度學(xué)習(xí)模型壓縮的工具庫(kù)。它提供了各種模型壓縮策略，如低比特量化、知識(shí)蒸餾和稀疏化等策略，能夠幫助開(kāi)發(fā)者快速實(shí)現(xiàn)模型壓縮。本研究在PaddleSlim工具庫(kù)中采取卷積層輸出通道裁剪策略中的L1NormFilterPruner［20］策略，即通過(guò)對(duì)單個(gè)卷積層裁剪不同比例的輸出通道數(shù)，并將相對(duì)應(yīng)的測(cè)試集精度損失比例進(jìn)行繪圖，可得單個(gè)卷積層的曲線。同上述步驟可得到多個(gè)卷積層的曲線，該曲線稱為卷積神經(jīng)網(wǎng)絡(luò)的敏感度曲線。

以MobileNet v3模型為例，基于tomato2數(shù)據(jù)集可得如圖3所示的MobileNet v3模型的敏感度曲線。

在卷積神經(jīng)網(wǎng)絡(luò)的敏感度曲線圖中隨裁剪比例增加而精度損失比例越低的卷積層敏感度越低，反之則敏感度越高。敏感度越低的卷積層會(huì)被裁剪掉相對(duì)越多的輸出通道數(shù)，反之會(huì)被裁剪掉相對(duì)較少的輸出通道數(shù)。最后綜合考慮卷積神經(jīng)網(wǎng)絡(luò)的FLOPs預(yù)期裁剪比例和敏感度曲線圖，對(duì)各卷積層的輸出通道數(shù)進(jìn)行裁剪。以MobileNet v3模型為例，依據(jù)其FLOPs預(yù)期裁剪比例60%和敏感度曲線圖對(duì)卷積層進(jìn)行裁剪，得到輕量化卷積神經(jīng)網(wǎng)絡(luò)MobileNet v3-Prune，其結(jié)構(gòu)見(jiàn)表3。

3 結(jié)果與分析

3.1 試驗(yàn)環(huán)境

試驗(yàn)軟件環(huán)境：使用Python 3.7編程語(yǔ)言，以PaddlePaddle作為深度學(xué)習(xí)開(kāi)源框架。硬件環(huán)境采用AI Studio在線平臺(tái)，其中GPU為T(mén)esla V100，顯存為32 GB，CPU為4 Cores，RAM為 32 GB，Disk為100 GB。

3.2 試驗(yàn)方案設(shè)計(jì)

具體試驗(yàn)步驟如下：

步驟1：設(shè)置模型訓(xùn)練參數(shù)。本試驗(yàn)每次迭代160輪（epochs），訓(xùn)練集和測(cè)試集的batch size均設(shè)為64，選用自適應(yīng)動(dòng)量?jī)?yōu)化器（Adam）優(yōu)化網(wǎng)絡(luò)模型，其學(xué)習(xí)率采用間隔輪數(shù)衰減策略，即迭代前30輪學(xué)習(xí)率設(shè)為0.001，30輪后將學(xué)習(xí)率降為 0000 1，迭代60輪后學(xué)習(xí)率降至0.000 01。

步驟2：比較4種卷積神經(jīng)網(wǎng)絡(luò)模型（MobileNet v3、Inception v3、ResNet50、ShuffleNet v2）在tomato1和tomato22種數(shù)據(jù)集上的準(zhǔn)確率，驗(yàn)證數(shù)據(jù)增強(qiáng)方法對(duì)模型性能的優(yōu)化效果。

步驟3：基于tomato2數(shù)據(jù)集對(duì)4種卷積神經(jīng)網(wǎng)絡(luò)模型（MobileNet v3、Inception v3、ResNet50、 ShuffleNet v2）進(jìn)行輕量化處理?？紤]減少模型大小的同時(shí)保證它的分類準(zhǔn)確率，因此設(shè)定模型的浮點(diǎn)運(yùn)算次數(shù)預(yù)期裁剪比例為60%，各模型FLOPs前后變化見(jiàn)表4。

步驟4：將4種卷積神經(jīng)網(wǎng)絡(luò)模型及其對(duì)應(yīng)的輕量化模型進(jìn)行對(duì)比，從模型的分類準(zhǔn)確性、體積大小、單張圖片識(shí)別速率、穩(wěn)定性4個(gè)維度做試驗(yàn)比較，驗(yàn)證模型輕量化方法的優(yōu)越性并選出最適用于識(shí)別番茄葉片病害的模型。

3.3 數(shù)據(jù)增強(qiáng)對(duì)模型識(shí)別準(zhǔn)確率的影響

由表5可知，在tomato2數(shù)據(jù)集上訓(xùn)練得到的4種模型測(cè)試集分類準(zhǔn)確率相較于tomato1數(shù)據(jù)集都有所提升，提升比例可達(dá)0.51百分點(diǎn)。由此可知，通過(guò)對(duì)數(shù)據(jù)集做數(shù)據(jù)增強(qiáng)擴(kuò)充有助于提高模型的分類準(zhǔn)確率，后續(xù)研究均采用tomato2數(shù)據(jù)集進(jìn)行試驗(yàn)。

3.4 輕量化方法對(duì)模型性能的影響

3.4.1 模型的準(zhǔn)確率和模型大小

為驗(yàn)證模型輕量化方法對(duì)模型性能的提升并選出最適用于識(shí)別番茄葉片病害的卷積神經(jīng)網(wǎng)絡(luò)模型，分別對(duì)4種卷積神經(jīng)網(wǎng)絡(luò)模型（MobileNet v3、Inception v3、ResNet50、ShuffleNet v2）及對(duì)應(yīng)的輕量化模型在tomato2數(shù)據(jù)集上的分類準(zhǔn)確率、體積大小和單張圖片識(shí)別速率作對(duì)比分析。

試驗(yàn)結(jié)果見(jiàn)表6，4種輕量化模型在分類準(zhǔn)確率下降小于等于0.1百分點(diǎn)的前提下，模型體積減小61%～81%，單張圖片識(shí)別速率提升11%～24%，由結(jié)果可知，模型輕量化方法在減少模型體積和單張圖片識(shí)別速率方面具有較好的適用性。

MobileNet v3-Prune模型在體積大小、單張圖片識(shí)別速率方面均好于其余7個(gè)模型，分類準(zhǔn)確率相對(duì)于最高值僅低0.06百分點(diǎn)，Inception v3模型雖為分類準(zhǔn)確率最高的模型，但其體積大小和單張圖片識(shí)別速率均大幅差于MobileNet v3-Prune模型?？紤]到番茄葉片病害識(shí)別模型在移動(dòng)設(shè)備上的實(shí)際應(yīng)用和性能要求，MobileNet v3-Prune模型在此領(lǐng)域具備更優(yōu)的應(yīng)用優(yōu)勢(shì)。

3.4.2 模型的穩(wěn)定性

為驗(yàn)證模型輕量化方法對(duì)模型穩(wěn)定性的提升及輕量化模型具有較好的穩(wěn)定性，對(duì)2種卷積神經(jīng)網(wǎng)絡(luò)模型（MobileNet v3、MobileNet v3-Prune）及4種輕量化模型（MobileNet v3-Prune、Inception v3-Prune、ResNet50-Prune、ShuffleNet v2-Prune）在tomato2數(shù)據(jù)集上160輪迭代過(guò)程中，測(cè)試集分類準(zhǔn)確率和損失值的變化情況進(jìn)行分析。如圖4所示，MobileNet v3和MobileNet v3-Prune模型在迭代前10輪內(nèi)均能達(dá)到較高的準(zhǔn)確率并趨于穩(wěn)定，但MobileNet v3-Prune模型在迭代過(guò)程中準(zhǔn)確率和損失值抖動(dòng)幅度均小于MobileNet v3，由此證明模型輕量化方法能提升模型的穩(wěn)定性。對(duì)于4種輕量化模型在160輪迭代過(guò)程中測(cè)試集分類準(zhǔn)確率和損失值的變化對(duì)比，Inception v3-Prune模型和ShuffleNet v2-Prune模型相較于其余2種模型在迭代初期準(zhǔn)確率和損失值更快地趨于穩(wěn)定，且隨著迭代次數(shù)增加，前2種模型抖動(dòng)頻率更低、抖動(dòng)幅度更小，擁有較好的穩(wěn)定性。MobileNet v3-Prune模型和ResNet50-Prune模型雖然穩(wěn)定性略差于前2種模型，但也可在迭代前10輪內(nèi)趨于穩(wěn)定，擁有不錯(cuò)的穩(wěn)定性。

MobileNet v3-Prune模型在tomato2測(cè)試集上的混淆矩陣見(jiàn)圖5，其顯示了真實(shí)標(biāo)簽值與模型預(yù)測(cè)值之間的關(guān)系，對(duì)角線上的數(shù)字代表模型成功識(shí)別出的樣本數(shù)量。0～9分別表示番茄的瘡痂病、早疫病、晚疫病、葉霉病、斑枯病、二斑葉螨病、靶斑病、黃曲葉病、花葉病毒病、健康葉片，對(duì)應(yīng)的預(yù)測(cè)準(zhǔn)確率分別為100%、100%、99.04%、100%、9948%、99.51%、98.05%、100%、100%、100%。MobileNet v3-Prune模型對(duì)10類病害的識(shí)別準(zhǔn)確率均在98.00%以上，試驗(yàn)表明MobileNet v3-Prune模型對(duì)每類番茄葉片病害都具有較好的識(shí)別能力。

4 結(jié)論

本研究提出了一種輕量化的卷積神經(jīng)網(wǎng)絡(luò)模型MobileNet v3-Prune，以適應(yīng)移動(dòng)設(shè)備對(duì)番茄病害圖像識(shí)別的需求。模型輕量化方法是對(duì)多個(gè)卷積層裁剪不同比例的輸出通道數(shù)以繪制敏感度曲線圖，再依據(jù)敏感度曲線圖對(duì)模型裁剪得到輕量化卷積神經(jīng)網(wǎng)絡(luò)模型。模型輕量化方法在保證模型分類準(zhǔn)確率的前提下減少了模型大小，提高了單張圖片的識(shí)別速率。由4種卷積神經(jīng)網(wǎng)絡(luò)模型（MobileNet v3、Inception v3、ResNet50、ShuffleNet v2）及對(duì)應(yīng)的輕量化模型和2種數(shù)據(jù)集設(shè)計(jì)對(duì)比試驗(yàn)，結(jié)果表明，（1）經(jīng)數(shù)據(jù)增強(qiáng)擴(kuò)充后的數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，能有效提高模型的分類準(zhǔn)確率，可提升0.51百分點(diǎn)。（2）4種輕量化模型在分類準(zhǔn)確率下降小于等于0.1百分點(diǎn)的前提下，模型體積減小61%～81%，單張圖片識(shí)別速率提升11%～24%，結(jié)果表明，模型輕量化方法在減少模型體積和單張圖片識(shí)別速率方面具有較好的適用性。（3）綜合對(duì)比8種卷積神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確性、體積大小、單張圖片識(shí)別速率和穩(wěn)定性，可知MobileNet v3-Prune模型在番茄葉片病害識(shí)別上具有更好的應(yīng)用優(yōu)勢(shì)，能夠便利地應(yīng)用于性能不同的移動(dòng)終端和硬件平臺(tái)， 為智慧農(nóng)業(yè)科技的開(kāi)展提供技術(shù)與方法。在后續(xù)工作中，將針對(duì)實(shí)際復(fù)雜環(huán)境下的番茄病害圖像，繼續(xù)優(yōu)化模型的綜合性能，提高在田間的番茄病害識(shí)別效率及穩(wěn)定性。

參考文獻(xiàn)：

［1］譚海文，吳永瓊，秦 莉，等. 我國(guó)番茄侵染性病害種類變遷及其發(fā)生概況［J］. 中國(guó)蔬菜，2019（1）：80-84.

［2］陳偉文，鄺祝芳，王忠偉. 基于卷積神經(jīng)網(wǎng)絡(luò)的種苗病害識(shí)別方法［J］. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2022，42（7）：35-43.

［3］徐振南，王建坤，胡益嘉，等. 基于MobileNet v3的馬鈴薯病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（10）：176-182.

［4］胡玲艷，周 婷，劉 艷，等. 基于輕量級(jí)網(wǎng)絡(luò)自適應(yīng)特征提取的番茄病害識(shí)別［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（3）：696-705.

［5］孫文杰，牟少敏，董萌萍，等. 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的桃樹(shù)葉部病害圖像識(shí)別［J］. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，51（6）：998-1003.

［6］林建吾，張 欣，陳孝玉龍，等. 基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的番茄病害圖像識(shí)別［J］. 無(wú)線電工程，2022，52（8）：1347-1353.

［7］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(cè)方法［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（10）：183-189.

［8］帖 軍，隆娟娟，鄭 祿，等. 基于SK-EfficientNet的番茄葉片病害識(shí)別模型［J］. 廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，40（4）：104-114.

［9］周巧黎，馬 麗，曹麗英，等. 基于改進(jìn)輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNet v3的番茄葉片病害識(shí)別［J］. 智慧農(nóng)業(yè)，2022，4（1）：47-56.

［10］牛學(xué)德，高丙朋，南新元，等. 基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測(cè)［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（1）：129-134.[HJ2mm]

［11］謝家興，陳斌瀚，彭家駿，等. 基于改進(jìn)ShuffleNet v2的荔枝葉片病蟲(chóng)害圖像識(shí)別［J］. 果樹(shù)學(xué)報(bào)，2023，40（5）：1024-1035.

［12］徐 健，胡道杰，劉秀平，等. 基于改進(jìn)型RFB-MobileNet v3的棉雜圖像檢測(cè)［J］. 紡織學(xué)報(bào)，2023，44（1）：179-187.

［13］陳桂芬，趙 姍，曹麗英，等. 基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識(shí)別［J］. 智慧農(nóng)業(yè)，2019，1（2）：34-44.

［14］孫海燕，陳云博，封丁惟， 等. 基于注意力模型和輕量化YOLO [HJ][LM]

[KH*4D]

[HT8.]v4的林業(yè)害蟲(chóng)檢測(cè)方法［J］. 計(jì)算機(jī)應(yīng)用，2022，42（11）：3580-3587.

［15］白祉旭，王衡軍，郭可翔. 基于圖像顏色隨機(jī)變換的對(duì)抗樣本生成方法［J］. 計(jì)算機(jī)科學(xué)，2023，50（4）：88-95.

［16］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul：IEEE，2019：1314-1324.

［17］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［J］. ArXiv e-Prints，2017：arXiv：1704.04861.

［18］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：4510-4520.

［19］Thakkar V，Tewary S，Chakraborty C. Batch normalization in convolutional neural Networks-a comparative study with CIFAR-10 data［C］//2018 Fifth International Conference on Emerging Applications of Information Technology （EAIT）.Kolkata：IEEE，2018：1-5.

［20］Li H，Kadav A，Durdanovic I，et al. Pruning filters for efficient ConvNets［EB/OL］. （2016-09-15）［2023-09-01］. https：//arxiv.org/pdf/1608.08710.pdf.