doi：10.15889/j.issn.1002-1302.2024.20.028

摘要：針對現(xiàn)有作物病害葉片檢測模型的性能過度依賴大量帶標(biāo)注數(shù)據(jù)集以及預(yù)訓(xùn)練模型的泛化性不強等問題，提出一種基于特征重組網(wǎng)絡(luò)的小樣本農(nóng)作物病害葉片檢測方法。首先，采用支持分支和查詢分支的雙分支網(wǎng)絡(luò)結(jié)構(gòu)，將支持圖像和查詢圖像映射到深度特征空間，并在支持分支中采用特征增強網(wǎng)絡(luò)緩解映射特征與原始標(biāo)注不對齊的問題。其次，借助全局平均池化策略生成初始原型，利用該原型反向指導(dǎo)原始支持圖像中病害葉片的識別，并根據(jù)初始識別結(jié)果對原型進行優(yōu)化。再次，通過比對識別區(qū)域與原始標(biāo)注之間的特征差異，構(gòu)造輔助原型與主域原型。最后，融合原始原型、輔助原型和主域原型，構(gòu)造多原型集，并利用度量方法計算原型集與查詢特征間的關(guān)聯(lián)，根據(jù)關(guān)聯(lián)值給出預(yù)測標(biāo)簽。在自建的橘子、番茄和蘋果等病害葉片數(shù)據(jù)集上進行測試，所提出方法分別獲得了97.18%的精準(zhǔn)率、97.31%的召回率、96.90%的F1分?jǐn)?shù)和84.71%的FB-IoU，優(yōu)于主流的目標(biāo)檢測方法。

關(guān)鍵詞：作物病害葉片檢測；特征重組；全局平均池化；特征增強；原型集

中圖分類號：TP391.41；S126" 文獻標(biāo)志碼：A

文章編號：1002-1302（2024）20-0236-08

收稿日期：2024-06-30

基金項目：國家自然科學(xué)基金（編號：62002330）。

作者簡介：黨婉譽（1991—），女，河南駐馬店人，碩士，講師，主要從事農(nóng)業(yè)、林業(yè)、計算機應(yīng)用技術(shù)等研究。E-mail：wydan1991@163.com。

農(nóng)作物葉片的健康對于農(nóng)作物的產(chǎn)量和品質(zhì)至關(guān)重要，葉片不健康不僅會降低作物的產(chǎn)量和品質(zhì)，還可能導(dǎo)致整個農(nóng)田的作物歉收，給農(nóng)業(yè)生產(chǎn)帶來嚴(yán)重的經(jīng)濟損失。隨著全球氣候變暖，農(nóng)作物在生長過程中，經(jīng)常受到各種病害的威脅，其中葉片病害尤為常見且破壞性極大［1-3］。因此，及時準(zhǔn)確地檢測出農(nóng)作物病害葉片，有助于及時診斷農(nóng)作物病害，對于防控病害、保障農(nóng)業(yè)生產(chǎn)具有重要的意義。

傳統(tǒng)的農(nóng)作物葉片病害檢測主要依賴農(nóng)業(yè)專家和農(nóng)民的經(jīng)驗，通過觀察葉片的外觀癥狀來判斷病害類型［4-5］。然而，該類方法需要大量的人力和時間，效率較低；其次，由于個體經(jīng)驗和知識水平的差異，人工檢測的準(zhǔn)確性往往難以保障，此外一些病害在早期階段癥狀不明顯，人工檢測難以及時發(fā)現(xiàn)［6］。近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，常利用深度學(xué)習(xí)相關(guān)算法緩解傳統(tǒng)農(nóng)作物病害葉片檢測性能不佳的問題。如左昊軒等基于YOLO v5s開發(fā)了一種黃化曲葉病的檢測方法，并在主干網(wǎng)絡(luò)中引入多層注意力機制來增強模型對于病害區(qū)域的定位能力［7］。陶兆勝等在YOLO v5s主干網(wǎng)絡(luò)中引入了一種通道和空間注意力機制，以此增強模型對病害區(qū)域的定位能力，同時抑制了無關(guān)噪聲背景信息的干擾，在番茄病害葉片數(shù)據(jù)集上進行了測試，試驗結(jié)果也驗證了所設(shè)計方法的優(yōu)越性［8］?；萸删甑瓤紤]到現(xiàn)有深度學(xué)習(xí)模型對有限標(biāo)注的玉米葉片病害數(shù)據(jù)信息利用不充分的問題，提出了一種多尺度特征度量的玉米病害葉片檢測方法，利用卷積神經(jīng)網(wǎng)絡(luò)和Swin Transformer網(wǎng)絡(luò)分別獲取了輸入葉片的全局和局部特征，以此構(gòu)造了多尺度特征集［9］。類似地，劉敏等在傳統(tǒng)全局特征的基礎(chǔ)上，引入了局部編碼特征，并借助注意力機制融合了局部和全局特征，在開源的蘋果病害葉片數(shù)據(jù)集上進行了測試，試驗結(jié)果也驗證了所設(shè)計方法可以顯著提升病害區(qū)域的定位性能［10］。

雖然上述基于深度學(xué)習(xí)的作物病害葉片檢測方法在開源數(shù)據(jù)集和自建數(shù)據(jù)集上均取得了較好的效果，但該類方法的檢測性能過度依賴訓(xùn)練數(shù)據(jù)集和對應(yīng)的標(biāo)注信息。隨著小樣本學(xué)習(xí)在目標(biāo)檢測、語義分割等領(lǐng)域的應(yīng)用，研究者嘗試?yán)眯颖緦W(xué)習(xí)來緩解模型性能過度依賴訓(xùn)練數(shù)據(jù)集的問題。如邢鵬康等提出了一種基于小樣本學(xué)習(xí)的馬鈴薯葉片病害檢測方法，通過在支持分支中采用動態(tài)卷積來增強模型對病害區(qū)域的捕獲能力，其次在特征提取階段引入卷積塊注意力，有效增強了特征的語義表達能力［11］。類似地，黃煒等在支持分支中采用多尺度融合策略來增強模型對蘋果病害區(qū)域的定位能力，其次借助蘋果病害葉片的文本標(biāo)注構(gòu)造了一種新的對比學(xué)習(xí)方法，在Plant Village數(shù)據(jù)集上進行了測試，結(jié)果也驗證了所設(shè)計方法的優(yōu)越性［12］。

上述基于小樣本學(xué)習(xí)的作物病害葉片檢測模型主要通過挖掘支持分支的語義信息來指導(dǎo)查詢圖片中病害區(qū)域的定位，然而并非所有的支持信息對查詢分支均有用，不恰當(dāng)?shù)厥褂弥С址种畔⒎炊斐煽臻g中語義分布離散或語義歧義的問題。針對上述問題，提出一種基于特征重組網(wǎng)絡(luò)的小樣本農(nóng)作物病害葉片檢測方法，首先利用支持分支學(xué)習(xí)到的匹配規(guī)則指導(dǎo)查詢圖片中病害區(qū)域的定位；其次，利用查詢圖片的初始預(yù)測結(jié)果反向構(gòu)造指導(dǎo)信息，實現(xiàn)原始支持圖片中病害區(qū)域的定位，為查詢分支定制自適應(yīng)的原型集。

1" 作物病害葉片檢測模型

1.1" 雙分支網(wǎng)絡(luò)結(jié)構(gòu)定義

基于雙分支網(wǎng)絡(luò)結(jié)構(gòu)的小樣本病害葉片檢測模型旨在利用少量標(biāo)注的支持圖片以及對應(yīng)的支持掩碼，來指導(dǎo)與之同類的查詢圖片中病害區(qū)域的分類。其中支持分支的輸入為支持圖片和對應(yīng)的支持掩碼，查詢分支的輸入為待測試的病害葉片，并且支持分支和查詢分支共享相同的語義類［13］。

當(dāng)前主流的小樣本病害葉片檢測模型采用元學(xué)習(xí)訓(xùn)練范式，即將總?cè)蝿?wù)劃分為多個子任務(wù)，在每個子任務(wù)中進行訓(xùn)練與優(yōu)化［14］。本文模型仍然采用該訓(xùn)練方式，即將訓(xùn)練集劃分為Base集和Novel集，其中Base集用于訓(xùn)練，Novel集用于測試，并且Base集中語義類和Novel集中的語義類不相交。具體地，在Base集中包含多個支持集S={（xk，yk）Kk=1}，式中：x表示支持圖片；y表示對應(yīng)的支持標(biāo)注；k表示支持樣本數(shù)。類似地，查詢集可表示為Q={（xq，yq）}，式中：xq表示查詢圖片；yq表示真實的查詢標(biāo)簽，并且查詢標(biāo)簽僅用于訓(xùn)練階段。最后，通過計算預(yù)測xq對應(yīng)的標(biāo)簽yq和真實標(biāo)簽yq之間的交叉熵?fù)p失，來優(yōu)化模型參數(shù)。

1.2" 模型結(jié)構(gòu)

基于特征重組網(wǎng)絡(luò)的小樣本農(nóng)作物病害葉片檢測模型主要包括特征提取、原型生成、原型修訂以及病害檢測4個部分。其中，在特征提取階段，考慮到映射特征和原始圖片尺度不對齊導(dǎo)致的信息丟失問題，設(shè)計了一種特征增強網(wǎng)絡(luò)來補充丟失信息。原型生成階段主要在支持特征集上采用掩碼平均池化，生成初始原型集。原型修訂是利用初始原型集反向建立原始支持圖片中病害區(qū)域?qū)?yīng)標(biāo)簽的預(yù)測，并根據(jù)初始預(yù)測結(jié)果對原始原型進行優(yōu)化。病害檢測階段利用度量算法計算原型集和查詢特征集之間的關(guān)聯(lián)，并根據(jù)關(guān)聯(lián)值給出最終的預(yù)測結(jié)果。具體模型結(jié)構(gòu)如圖1所示。

1.3" 特征提取

現(xiàn)有的病害葉片檢測方法主要借助預(yù)訓(xùn)練的主干網(wǎng)絡(luò)，如Vgg或ResNet等將輸入的支持圖片映射到深度特征空間，然后建立真實標(biāo)簽與映射特征之間的對應(yīng)關(guān)系［15-16］。然而，經(jīng)過主干網(wǎng)絡(luò)下采樣后的特征僅保留了整張圖片的主體信息，忽略了邊緣、紋理等細(xì)節(jié)信息［17］。其次，下采樣后的特征尺度與原始支持圖片之間并非一一對應(yīng)關(guān)系，這極易造成特征空間中語義分布離散、混亂等問題。

針對邊緣信息容易忽略以及語義分布離散的問題，在支持分支中設(shè)計了一種特征增強網(wǎng)絡(luò)，主要在特征映射之前進行目標(biāo)前景和背景的分離，并利用分離特征強化原始映射的目標(biāo)前景特征和背景特征。這樣做的優(yōu)勢在于：一方面可以有效補償因主干網(wǎng)絡(luò)下采樣導(dǎo)致目標(biāo)細(xì)節(jié)信息丟失的問題，另一方面促進了特征與對應(yīng)圖片間的對齊。所提出的特征增強網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

假設(shè)支持圖片和對應(yīng)的支持標(biāo)簽為（xs，ys），首先利用支持標(biāo)簽將原始支持圖片分離為目標(biāo)前景圖片fs和背景圖片bs；其次將fs、bs和原始支持圖片xs送入至主干網(wǎng)絡(luò)中，生成對應(yīng)的支持輔助前景特征Ff′、支持輔助背景特征Fb′和支持混合特征Ffb。具體計算如公式（1）和公式（2）所示。

fs=xsys

bs=xs-fs；（1）

Fs=cnn（fs，bs，xs）。（2）

式中：表示點乘運算；cnn（·）表示主干網(wǎng)絡(luò)；Fs包含F(xiàn)f′、Fb′和Ffb。其次，利用支持圖片對應(yīng)的真實標(biāo)簽將支持混合特征Ffb分離為支持前景特征和支持背景特征，具體計算如公式（3）所示。

Ff=γ（ys，F(xiàn)fb）Ffb

Fb=Ffb-Ff。（3）

式中：Ff和Fb分別表示支持前景特征和支持背景特征；γ（ys，F(xiàn)fb）表示將ys的大小下采樣至與Ffb相同的維度。最后，將支持輔助前景特征Ff′和支持前景特征Ff以及支持輔助背景特征Fb′和支持背景特征Fb進行拼接，來補充因下采樣操作導(dǎo)致的語義丟失。具體增強的目標(biāo)前景特征和背景特征可表示為公式（4）。

Frf=FfFf′

Frb=FbFb′。（4）

式中：Frf和Frb分別表示融合后的支持前景特征和背景特征。

1.4" 原型生成

原型是將特征經(jīng)過全局平均池化壓縮后的抽象特征表示［18］。此處，將融合后的支持前景特征Frf和支持背景特征Frb送入至全局平均池化模塊中，生成目標(biāo)前景和背景初始原型集，原型集可表示為公式（5）和公式（6）。

Pf=GAP［Frf，γ（ys，F(xiàn)rf）］=∑hwi=1Frf（i）γ［ys（i），F(xiàn)rf］∑hwi=1γ［ys（i），F(xiàn)rf］；（5）

Pb=GAP［Frb，γ（ys，F(xiàn)rb）］=∑hwi=1Frb（i）γ［ys（i），F(xiàn)rb］∑hwi=1γ［ys（i），F(xiàn)rb］。（6）

式中：Pf和Pb分別表示目標(biāo)前景原型和背景原型；GAP（·）表示全局平均池化；i表示空間位置；γ（ys，F(xiàn)rf） 表示將支持掩碼的大小下采樣至和Frf相同；h和w分別表示特征圖的長和寬。

利用生成的目標(biāo)前景原型和背景原型構(gòu)造支持分支的初始原型集，即Pin={Pf，Pb}。然后，借助度量函數(shù)計算原型集和查詢特征之間的關(guān)聯(lián)，根據(jù)關(guān)聯(lián)值定位查詢圖片中病害區(qū)域及對應(yīng)的標(biāo)簽。具體計算如公式（7）所示。

yqprein=convs［concat（Fq，Pin）］。（7）

式中：yqprein表示查詢分支的初始預(yù)測標(biāo)簽；convs由大小為3×3和1×1的卷積層組成；concat（·）用于特征間的關(guān)聯(lián)性計算。

1.5" 原型修訂

不同的支持圖像指導(dǎo)查詢圖片中病害區(qū)域的定位和預(yù)測能力不同，并且支持圖像中不同區(qū)域的貢獻程度也不相同。其次，傳統(tǒng)方法僅從支持分支中挖掘原型，忽略了查詢圖像自身信息的重要性。因此，本文利用預(yù)測的初始查詢標(biāo)簽和對應(yīng)的查詢特征構(gòu)造新的原型集，反向指導(dǎo)原始支持圖片中病害區(qū)域的定位和病害類型分類，為查詢分支構(gòu)造自適應(yīng)的原型集。自適應(yīng)原型集生成流程如圖3所示。

首先，將初始預(yù)測標(biāo)簽與查詢特征送入全局平均池化模塊中，生成查詢圖片病害區(qū)域?qū)?yīng)的偽原型Ppse。然后，利用生成的偽原型反向定位原始支持圖片中的病害區(qū)域，具體計算如公式（8）所示。

yqprein=convs［concat（Ffb，Ppse）］。（8）

式中：yqprein表示原始支持圖片對應(yīng)的預(yù)測標(biāo)簽。接下來，借助原始支持圖片對應(yīng)的真實標(biāo)簽將支持原型劃分為主域原型集和輔助原型集，其中主域原型集表示真實預(yù)測的病害區(qū)域，輔助原型集為真實標(biāo)簽與預(yù)測標(biāo)簽之間的差值。具體計算如公式（9）所示。

Pmains=τ［ys=1］τ［yspre=1］

Pauxs=τ［ys=1］τ［yspre≠1］。（9）

式中：Pmains和Pauxs分別表示主域原型集和輔助原型集；τ［ys=1］表示真值函數(shù)；ys表示真實圖片對應(yīng)的支持標(biāo)簽。

最后，將主域原型集Pmains和輔助原型集Pauxs添加到初始原型集Pin={Pf，Pb}中，來增強初始原型集的魯棒性和泛化性，即更新后的原型集可表示為Pr={Pf，Pb，Pmains，Pauxs} 。

1.6" 病害檢測

利用更新后的原型集Pr={Pf，Pb，Pmains，Pauxs}來指導(dǎo)查詢分支中輸入圖片病害區(qū)域的定位與病害類型的分類。具體計算如公式（10）所示。

yqpre=convs［concat（Fq，Pr）］。（10）

式中：yqpre表示查詢圖片對應(yīng)病害區(qū)域的定位與分類結(jié)果；此處convs表示大小為1×1的卷積；concat（·）用于特征間的關(guān)聯(lián)性計算。最后，通過計算預(yù)測結(jié)果與真實標(biāo)注之間的損失，端到端優(yōu)化網(wǎng)絡(luò)模型。

2" 試驗

2.1" 試驗數(shù)據(jù)集

本試驗所有數(shù)據(jù)來源于網(wǎng)絡(luò)圖片和真實場景拍攝圖片，其中真實場景圖片拍攝于河南省駐馬店市泌陽縣的農(nóng)業(yè)基地，主要包括橘子、番茄和蘋果3類病害葉片圖像，拍攝時間主要集中在8月下旬。網(wǎng)絡(luò)圖片主要利用網(wǎng)絡(luò)爬蟲技術(shù)獲得，實際拍攝圖片工具采用佳能EOS R10，圖片大小統(tǒng)一壓縮為512像素×512像素。數(shù)據(jù)集總共包括5 388張圖片，并按照8 ∶2的比例劃分為Base集和Novel集。具體試驗數(shù)據(jù)如表1所示。

2.2" 試驗環(huán)境與評價指標(biāo)

模型在Windows平臺上開發(fā)，采用Python編程語言，Pytorch深度學(xué)習(xí)框架，編輯器采用Pycharm，搭載GeForce RTX 3090 Ti 24 GB顯卡。模型訓(xùn)練初始學(xué)習(xí)率設(shè)定為0.002 5，迭代次數(shù)設(shè)定為160次，選擇Adam優(yōu)化器。

為了驗證所設(shè)計模型的優(yōu)越性，選擇當(dāng)前主流的評價指標(biāo)：精準(zhǔn)率（precision，P）、召回率（recall，R）和F1分?jǐn)?shù)，具體計算如公式（11）所示［19］。此外，為了評估模型對病害區(qū)域的定位能力，選擇前景背景交并比FB-IoU（Intersection over Union）［20］。

P=TPTP+FP

R=TPTP+FN

F1分?jǐn)?shù)=2×P×RP+R。（11）

式中：TP為模型正確預(yù)測的樣本總數(shù)；FP為模型誤報的樣本總數(shù)；FN為模型漏報的樣本總數(shù)。

2.3" 結(jié)果與分析

2.3.1" 不同方法的整體檢測結(jié)果對比

為了驗證所設(shè)計方法的整體識別性能，選擇當(dāng)前經(jīng)典的目標(biāo)檢測算法，并在精準(zhǔn)率、召回率、F1分?jǐn)?shù)和FB-IoU指標(biāo)上進行對比，對比方法包括YOLO v5、Faster R-CNN、Inception v4、MobileNet v3、DenseNet。對比結(jié)果如表2所示。由表中可以看出，在橘子病害葉片檢測任務(wù)上，所提出方法在精準(zhǔn)率、召回率、F1分?jǐn)?shù)和FB-IoU指標(biāo)上分別獲得了98.42%、98.09%、97.54%和86.37%的得分。在番茄病害葉片檢測任務(wù)上，所提出方法在精準(zhǔn)率、召回率、F1分?jǐn)?shù)和 FB-IoU 指標(biāo)上分別獲得了98.51%、98.11%、97.18%和86.15%的得分。在蘋果病害葉片檢測任務(wù)上，所提出方法在精準(zhǔn)率、召回率、F1分?jǐn)?shù)和FB-IoU指標(biāo)上分別獲得了98.42%、98.06%、97.12%和86.13%的得分。以上結(jié)果驗證了所提出方法的優(yōu)越性，綜合性能優(yōu)于先前的目標(biāo)檢測算法。

此外，為了直觀展示本研究方法在具體任務(wù)上的檢測效果，圖4展示了本研究方法和當(dāng)前經(jīng)典的目標(biāo)檢測方法在3種病害葉片上的檢測結(jié)果。值得注意的是，圖中選擇置信度最大的2個檢測框作為最終的檢測結(jié)果?？梢钥闯?，本研究方法可以更全面地識別出病害區(qū)域，有效降低了漏報。

2.3.2" 不同場景下的測試結(jié)果對比

為了測試本研究方法在不同場景下的測試效果，根據(jù)圖片中病害區(qū)域的占比將測試集劃分為簡單樣本和復(fù)雜樣本。其中，在簡單樣本中，目標(biāo)前景占據(jù)整張圖片的比例較大，在復(fù)雜樣本中，目標(biāo)背景占據(jù)整張圖片的比例較大。具體測試結(jié)果如表3和表4所示。從表中可以看出，在簡單樣本集中，相比所有對比方法，本研究方法的優(yōu)勢不明顯，并且在精準(zhǔn)率、指標(biāo)上差距更小。然而，在復(fù)雜場景數(shù)據(jù)中，所提出方法的優(yōu)勢較為明顯，在所有指標(biāo)下，相比所有對比方法均提升了約2.0百分點，提升效果顯著。究其原因是復(fù)雜場景下，目標(biāo)作物占整張圖片的比例較小，經(jīng)過主干網(wǎng)絡(luò)下采樣后，小目標(biāo)區(qū)域的信息極易丟失，這也是傳統(tǒng)方法在復(fù)雜場景下取得效果不佳的主要原因；然而，本研究方法采用了特征增強網(wǎng)絡(luò)，在主干網(wǎng)絡(luò)提取特征的基礎(chǔ)上，引入了原始特征集，有效緩解了小目標(biāo)特征丟失的問題。

為了直觀展示本研究模型在簡單場景和復(fù)雜場景下，橘子、蘋果、番茄以及之外的背景原型的可區(qū)分性，利用t-SNE將高維特征進行二維可視化，如圖5所示。由圖中可以看出，本研究方法在簡單場景下區(qū)分性較好，能夠有效區(qū)分3種病害作物以及之外的背景區(qū)域。然而，在復(fù)雜背景中，所提出方法的區(qū)分性仍有待進一步提升， 筆者所在課題組

認(rèn)為這是合理的，主要原因是背景區(qū)域占整張圖片的比例較大，經(jīng)過多倍率下采樣后模型極易丟失占據(jù)比例小的病害區(qū)域或?qū)⑵洚?dāng)作背景處理。

2.4" 消融結(jié)果與分析

基于特征重組網(wǎng)絡(luò)的小樣本農(nóng)作物病害葉片檢測模型主要創(chuàng)新點包括特征增強和原型修訂2個模塊，為了驗證不同模塊對模型整體檢測性能的影響，設(shè)計了以下4組消融試驗，具體試驗結(jié)果如表5所示。

方法1的技術(shù)流程可描述為在特征提取階段，不添加任何特征增強策略，僅將主干網(wǎng)絡(luò)的輸出特征作為下游任務(wù)的特征表示；其次，初始原型集指導(dǎo)的查詢特征標(biāo)簽作為最終的預(yù)測結(jié)果。

方法2的技術(shù)流程可描述為在特征提取階段采用本研究設(shè)計的特征增強策略；其次，初始原型集指導(dǎo)的查詢特征標(biāo)簽作為最終的預(yù)測結(jié)果。

方法3的技術(shù)流程可描述為在特征提取階段，不添加任何特征增強策略，僅將主干網(wǎng)絡(luò)的輸出特征作為下游任務(wù)的特征表示；然后再查詢圖片中病害區(qū)域定位與病害類型分類階段，采用本研究設(shè)計的原型修訂方法。

方法4的技術(shù)流程可描述為在特征提取階段和原型修訂階段，同時采用本研究設(shè)計的增強策略。

從表5中可以看出，方法1提出的基線模型雖然可以實現(xiàn)部分病害區(qū)域的定位與病害類型的預(yù)測，但預(yù)測精度和模型的定位能力難以滿足實際應(yīng)用。其次，僅單一使用本研究設(shè)計的特征增強或原型修訂模塊可以顯著提升模型的預(yù)測性能，但綜合性能最佳的產(chǎn)生是同時使用特征增強和原型修訂模塊，并且使用原型修訂模塊可以顯著提升模型對病害區(qū)域的定位能力。

為了直觀展示不同模塊的效果，圖6提供了不同變體模型對相同病害區(qū)域的定位結(jié)果。由圖中可以看出，同時使用特征增強和原型修訂可以有效增強模型對病害區(qū)域的定位精度。

3" 結(jié)論

本研究提出了一種基于特征重組網(wǎng)絡(luò)的小樣本農(nóng)作物病害葉片檢測新方法， 主要緩解了傳統(tǒng)病害葉片檢測方法的性能過度依賴標(biāo)注數(shù)據(jù)的問題，以及特征提取階段丟失小目標(biāo)信息，造成復(fù)雜場景下病害葉片檢測性能不佳的問題。在番茄、蘋果和橘子3類病害葉片數(shù)據(jù)集上進行了測試，試驗結(jié)果也驗證了所設(shè)計方法的優(yōu)越性，結(jié)果與相關(guān)結(jié)論如下。

（1）所提出方法在簡單場景和復(fù)雜場景下分別獲得了97.85%、94.36%的精準(zhǔn)率，97.94%、94.25%的召回率，97.90%、95.01%的F1分?jǐn)?shù)，以及87.28%、80.68%的FB-IoU；此外，在綜合數(shù)據(jù)集上獲得了97.18%的精準(zhǔn)率、97.31%的召回率、96.90%的F1分?jǐn)?shù)和84.71%的FB-IoU。

（2）在傳統(tǒng)主干網(wǎng)絡(luò)提取特征的基礎(chǔ)上，引入事先分離的目標(biāo)前景和背景特征，可以顯著提升復(fù)雜場景下小目標(biāo)作物病害葉片的檢測性能。

（3）利用初始預(yù)測的查詢標(biāo)簽建立反向指導(dǎo)的原型，有助于提升原型集的魯棒性和泛化性，同時還可以增強模型的可解釋性。

參考文獻：

［1］陳" 聰，于" 嘯，宮" 琪. 基于改進殘差網(wǎng)絡(luò)的蘋果葉片病害識別研究［J］. 河南農(nóng)業(yè)科學(xué)，2023，52（4）：152-161.

［2］Chen J D，Wang W H，Zhang D F，et al. Attention embedded lightweight network for maize disease recognition［J］. Plant Pathology，2021，70（3）：630-642.

［3］王煥鑫，沈志豪，劉 "泉，等. 基于改進MobileNet v2模型的農(nóng)作物葉片病害識別研究［J］. 河南農(nóng)業(yè)科學(xué)，2023，52（4）：143-151.

［4］馬" 麗，周巧黎，趙麗亞，等. 基于深度學(xué)習(xí)的番茄葉片病害分類識別研究［J］. 中國農(nóng)機化學(xué)報，2023，44（7）：187-193，206.

［5］羅東升，周子敬，王志偉，等. 改進ACGAN數(shù)據(jù)增強的番茄葉片病害識別［J］. 太原理工大學(xué)學(xué)報，2023，54（5）：861-868.

［6］Ahila Priyadharshini R，Arivazhagan S，Arun M，et al. Maize leaf disease classification using deep convolutional neural networks［J］. Neural Computing and Applications，2019，31（12）：8887-8895.

［7］左昊軒，黃祺成，楊佳昊，等. 基于改進YOLO v5s的作物黃化曲葉病檢測方法［J］. 農(nóng)業(yè)機械學(xué)報，2023，54（增刊1）：230-238.

［8］陶兆勝，石鑫宇，王" 勇，等. 基于改進YOLO v5s的番茄葉片病害檢測方法［J］. 沈陽農(nóng)業(yè)大學(xué)學(xué)報，2023，54（6）：712-721.

［9］惠巧娟，孫" 婕. 基于多尺度特征度量元學(xué)習(xí)的玉米葉片病害識別模型研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（9）：199-206.

［10］劉" 敏，周" 麗. 基于多尺度特征融合網(wǎng)絡(luò)的蘋果病害葉片檢測［J］. 中國農(nóng)機化學(xué)報，2023，44（8）：184-190.

［11］邢鵬康，李久朋. 基于小樣本學(xué)習(xí)的馬鈴薯葉片病害檢測［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：203-210.

［12］黃" 煒，王娟娟，殷學(xué)麗. 基于特征分離的小樣本蘋果病害葉片檢測［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（23）：195-202.

［13］李" 軍，李志偉，李艷紅. 基于多原型指導(dǎo)的小樣本水稻害蟲識別與分類［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（20）：193-200.

［14］Jia J F，F(xiàn)eng X，Yu H Q. Few-shot classification via efficient meta-learning with hybrid optimization［J］. Engineering Applications of Artificial Intelligence，2024，127：107296.

［15］馮" 曉，李丹丹，王文君，等. 基于輕量級卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的小麥葉部病害圖像識別［J］." 河南農(nóng)業(yè)科學(xué)，2021，50（4）：174-180.

［16］Islam M M，Adil M A A，Talukder M A，et al. DeepCrop：deep learning-based crop disease prediction with web application［J］. Journal of Agriculture and Food Research，2023，14：100764.

［17］Yang L，Yu X Y，Zhang S P，et al. GoogLeNet based on residual network and attention mechanism identification of rice leaf diseases［J］. Computers and Electronics in Agriculture，2023，204：107543.

［18］孫開偉，劉" 虎，冉" 雪，等. 基于多尺度原型分層匹配的小樣本分割方法［J］. 計算機科學(xué)，2023，50（增刊1）：220300275.

［19］王林柏，張" 博，姚競發(fā)，等. 基于卷積神經(jīng)網(wǎng)絡(luò)馬鈴薯葉片病害識別和病斑檢測［J］. 中國農(nóng)機化學(xué)報，2021，42（11）：122-129.

［20］Uskaner Hepsagˇ P. Efficient plant disease identification using few-shot learning：a transfer learning approach［J］. Multimedia Tools and Applications，2024，83（20）：58293-58308.