黃煒 王娟娟 殷學(xué)麗

摘要：準(zhǔn)確檢測出蘋果葉片的病害有助于促進(jìn)蘋果保質(zhì)、增產(chǎn)，提高果農(nóng)的經(jīng)濟(jì)收益。針對現(xiàn)有蘋果病害葉片檢測模型精度不高的問題，提出一種基于特征分離的小樣本蘋果病害葉片檢測算法。首先，利用VGG-16和Swin Transformer網(wǎng)絡(luò)將蘋果病害葉片映射到全局和局部特征空間，并設(shè)計(jì)了一種特征交叉融合網(wǎng)絡(luò)來融合全局和局部特征；然后，提出一種復(fù)雜特征的細(xì)粒度特征分離方法，通過借助蘋果病害葉片的文本標(biāo)簽和病害區(qū)域標(biāo)簽將融合的深度特征分離為葉片病害分類特征和葉片病害區(qū)域特征；最后，采用對比損失實(shí)現(xiàn)復(fù)雜特征的分離和模型端到端的優(yōu)化。通過在Plant Village開源數(shù)據(jù)集上進(jìn)行試驗(yàn)，結(jié)果表明，所提出方法可以實(shí)現(xiàn)96.35%的精準(zhǔn)率、95.76%的召回率和96.02%的F1分?jǐn)?shù)，相比當(dāng)前經(jīng)典的目標(biāo)分類模型，所提出模型綜合性能表現(xiàn)良好。此外，該模型的提出為蘋果病害葉片的細(xì)粒度分類提供一種新的思路，并且可以為田間農(nóng)作物病害檢測系統(tǒng)提供技術(shù)支撐。

關(guān)鍵詞：蘋果病害；病害葉片檢測；特征分離；特征交叉融合；全局和局部特征；小樣本

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

文章編號(hào)：1002-1302（2023）23-0195-08

蘋果是我國重要的農(nóng)產(chǎn)品之一，具有很高的營養(yǎng)價(jià)值和經(jīng)濟(jì)價(jià)值［1］。然而，在蘋果生長過程中，葉片極易受到天氣、光照、肥料等多種因素的影響而產(chǎn)生病變，導(dǎo)致蘋果的產(chǎn)量和質(zhì)量難以保障，影響果農(nóng)的經(jīng)濟(jì)收益［2］。因此，如何快速識(shí)別蘋果葉片病害，對促進(jìn)蘋果產(chǎn)業(yè)的發(fā)展具有重要的意義。

傳統(tǒng)蘋果葉片病害的識(shí)別主要借助果農(nóng)長期積累的專家經(jīng)驗(yàn)［3-4］。然而，該類方法主觀性強(qiáng)，極易造成蘋果葉片病害識(shí)別錯(cuò)誤，影響病害的最佳治療時(shí)間。近年來，隨著深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)在目標(biāo)檢測、目標(biāo)識(shí)別和圖像分割領(lǐng)域的廣泛應(yīng)用，利用深度學(xué)習(xí)和計(jì)算機(jī)視覺的相關(guān)技術(shù)解決農(nóng)作物葉片的病害檢測成為智慧農(nóng)業(yè)領(lǐng)域新的研究方向［5-6］。如李鑫然等利用Faster R-CNN網(wǎng)絡(luò)搭建了一套蘋果葉片病害檢測模型，通過在傳統(tǒng)Faster R-CNN網(wǎng)絡(luò)的基礎(chǔ)上引入特征金字塔，提高了模型對于細(xì)節(jié)特征的捕獲能力［7］。劉斌等利用Inception v2網(wǎng)絡(luò)作為基線模型，并在此基礎(chǔ)上引入時(shí)空注意力機(jī)制，提升了模型對蘋果葉片病害區(qū)域的聚焦度，通過在AI農(nóng)業(yè)病害挑戰(zhàn)賽開源的蘋果葉片病害數(shù)據(jù)集上進(jìn)行測試，驗(yàn)證了所設(shè)計(jì)模型的合理性［8］。類似地，Di等提出了一種輕量級(jí)的蘋果葉片病害檢測模型，以YOLO網(wǎng)絡(luò)為基線模型，并在此基礎(chǔ)上將稠密塊特征提取模塊嵌入到Y(jié)olo特征編碼層，在降低網(wǎng)絡(luò)檢測時(shí)間開銷的同時(shí)，提升了模型對蘋果葉片病害區(qū)域的識(shí)別精度［9］。Gong等針對蘋果病害葉片周圍環(huán)境復(fù)雜、病害區(qū)域小等因素造成的定位難問題，提出了一種基于改進(jìn)Faster R-CNN的蘋果病害葉片檢測方法，通過在特征提取階段引入Res2Net網(wǎng)絡(luò)和特征金字塔網(wǎng)絡(luò)，強(qiáng)化了所提取特征的可靠性和魯棒性［10］。

雖然上述單一模型通過優(yōu)化檢測框或提升特征表達(dá)的魯棒性和可靠性，有效提高了蘋果葉片病害區(qū)域的識(shí)別精度。然而，該類模型對于復(fù)雜場景下的蘋果葉片病害區(qū)域泛化性能局限，導(dǎo)致整體識(shí)別性能不佳。針對上述問題，孫長蘭等將多種模型進(jìn)行集成，充分利用了模型間的優(yōu)勢來緩解不足，進(jìn)一步提升了蘋果葉片病害區(qū)域的識(shí)別精度，通過在開源的Plant Village數(shù)據(jù)集上進(jìn)行測試，驗(yàn)證了模型設(shè)計(jì)的有效性［11］。李昊等通過將VGG-16網(wǎng)絡(luò)和ResNet-50網(wǎng)絡(luò)并聯(lián)構(gòu)造特征提取器，并設(shè)計(jì)了一種多尺度特征融合網(wǎng)絡(luò)，將并聯(lián)輸出特征進(jìn)行深度融合，提升了特征的表達(dá)能力［12］。Tian等提出了一種新的多尺度稠密塊特征融合網(wǎng)絡(luò)，有效提高了11類蘋果葉片病害的檢測精度；此外，該方法通過生成對抗網(wǎng)絡(luò)，有效緩解了蘋果葉片病害圖片樣本數(shù)量有限的問題［13］。類似地，Luo等提出了一種改進(jìn)多尺度特征融合網(wǎng)絡(luò)的蘋果葉片病害病識(shí)別與分類模型，通過利用多個(gè)對稱卷積核和非對稱卷積核，捕獲輸入特征圖的主體特征和邊緣紋理、細(xì)節(jié)特征，并將多個(gè)維度的特征進(jìn)行深度融合，通過在開源數(shù)據(jù)集上進(jìn)行測試，驗(yàn)證了模型的優(yōu)越性［14］。

綜上，單一模型和多種模型的集成模型雖然有效提升了蘋果病害葉片的識(shí)別性能，但該類方法仍然存在以下改進(jìn)空間：（1）早期蘋果葉片的病害區(qū)域小、特征不明顯，導(dǎo)致傳統(tǒng)模型很難精準(zhǔn)定位并識(shí)別出病害區(qū)域；（2）復(fù)雜場景下，多種相似性病害由于外觀、區(qū)域顏色值、紋理等類似，導(dǎo)致細(xì)粒度分類精度不佳。為此，本研究提出一種基于特征分離的小樣本蘋果病害葉片檢測方法，主要?jiǎng)?chuàng)新點(diǎn)如下：（1）通過提取蘋果葉片病害區(qū)域的全局和局部特征，構(gòu)造多尺度特征，有助于提升特征的質(zhì)量；（2）通過借助蘋果病害葉片的文本標(biāo)簽和病害區(qū)域顏色標(biāo)簽將融合的深度特征分離，提升模型細(xì)粒度分類的可靠性和魯棒性；（3）通過計(jì)算預(yù)測標(biāo)簽和真實(shí)標(biāo)簽之間的對比損失，提升類間的強(qiáng)區(qū)分能力和類內(nèi)的親和能力，并實(shí)現(xiàn)模型端到端的優(yōu)化。

1 數(shù)據(jù)集介紹

本研究的數(shù)據(jù)來自Plant Village官方開源數(shù)據(jù)集［15］，該數(shù)據(jù)集包含室內(nèi)和室外拍攝的多角度蘋果病害葉片照片。表1提供了所研究蘋果病害葉片的類型與樣本個(gè)數(shù)。此外，將所有圖片的大小調(diào)整為224像素×224像素，并利用濾鏡、光照變化、旋轉(zhuǎn)、裁剪等數(shù)據(jù)增強(qiáng)操作擴(kuò)充數(shù)據(jù)集樣本總數(shù)為17 300張，并按照7 ∶3的比例劃分為訓(xùn)練集和測試集。圖1給出了數(shù)據(jù)集中的各類樣本及數(shù)據(jù)增強(qiáng)后的樣本可視化。

2 蘋果病害葉片檢測模型

2.1 模型結(jié)構(gòu)

基于特征分離的小樣本蘋果病害葉片檢測模型結(jié)構(gòu)如圖2所示，包括特征提取、特征交叉融合、特征分離和病害葉片檢測等模塊。其中，特征提取階段利用VGG-16和Swin Transformer網(wǎng)絡(luò)分別將輸入圖片映射到全局和局部特征空間；特征交叉融合模塊將全局和局部特征進(jìn)行深度融合，緩解信息丟失的問題；特征分離模塊分別利用文本標(biāo)簽和顏色區(qū)域標(biāo)簽作為強(qiáng)監(jiān)督信號(hào)，將融合特征分解為表示病害文本信息和顏色區(qū)域信息的特征，增強(qiáng)特征表達(dá)的可靠性；蘋果病害葉片檢測模塊利用全連接層將待檢測的葉片進(jìn)行細(xì)粒度分類，并利用對比損失端到端優(yōu)化網(wǎng)絡(luò)模型。

2.2 特征提取

2.2.1 全局特征提取 VGG-16網(wǎng)絡(luò)由于強(qiáng)大的特征提取能力，在目標(biāo)檢測、圖像細(xì)粒度分類任務(wù)中得到了廣泛的應(yīng)用［16］。本研究利用VGG-16網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，實(shí)現(xiàn)輸入圖片的全局特征映射。VGG-16網(wǎng)絡(luò)由13個(gè)卷積層、5個(gè)池化層和3個(gè)全連接層組成，此處，將全連接層分離，僅利用池化層后的特征作為蘋果葉片病害的全局特征。VGG-16網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。全局特征的定義如公式（1）所示。

Fg=av_pool［conv2d（Fi）］。（1）

式中：conv2d表示卷積層操作，av_pool表示全局平均池化。

2.2.2 局部特征提取 蘋果葉片病害區(qū)域面積小、早期特征不明顯，僅利用全局特征表示葉片的病害區(qū)域特征， 極易造成信息丟失或語義歧義問題。為此，本研究采用Swin Transformer網(wǎng)絡(luò)將蘋果葉片病害區(qū)域映射到局部特征空間，通過在劃分后的小窗口內(nèi)進(jìn)行細(xì)粒度特征提取，緩解因全局平均池化造成的信息丟失問題［17］。Swin Transformer網(wǎng)絡(luò)特征提取流程如圖4所示。

Swin Transformer網(wǎng)絡(luò)的核心模塊由窗口內(nèi)注意力機(jī)制和偏移窗口注意力2個(gè)部分組成［18］。其中，窗口內(nèi)注意力機(jī)制主要捕獲特征的局部特征，然而像素之間具有一定的上下文語義關(guān)聯(lián)，僅利用窗口內(nèi)注意力導(dǎo)致窗口與窗口之間的信息交流抑制。為此，偏移窗口注意力機(jī)制的主要作用是實(shí)現(xiàn)不同窗口間的信息交流。Swin Transformer進(jìn)行局部特征提取的計(jì)算如公式（2）和公式（3）所示。

Ft=MLP{W-MSA［LN（Ft-1）］+Ft-1}+W-MSA［LN（Ft-1）］+Ft-1；（2）

Ft+1=MLP{SW-MSA［LN（Ft）］+Ft}+SW-MSA［LN（Ft）］+Ft。（3）

式中：LN（·）表示歸一化層；MLP（·）表示多層感知機(jī)；W-MSA表示窗口注意力；SW-MSA表示偏移窗口注意力；Ft表示窗口注意力機(jī)制的輸出特征；Ft-1表示串口注意力機(jī)制的輸入特征；Ft+1表示偏移窗口注意力機(jī)制的輸出特征，即蘋果病害葉片的局部特征。

2.3 特征交叉融合注意力

全局特征雖然可以表示蘋果病害葉片的整體信息，但病害區(qū)域小、早期病害區(qū)域不明顯，極易導(dǎo)致特征信息丟失；局部特征通過在蘋果葉片病害小區(qū)域面積內(nèi)細(xì)粒度提取特征，有效彌補(bǔ)了全局特征信息丟失的問題。因此，本研究設(shè)計(jì)了一種特征交叉融合注意力，將蘋果葉片病害的全局和局部特征進(jìn)行深度融合，特征交叉融合注意力流程如圖5所示。

圖5全局和局部特征交叉融合注意力計(jì)算中，首先將蘋果病害葉片的局部特征Ft+1和全局特征Fg進(jìn)行連接；然后，利用全局平均池化獲得連接特征圖的全局表示，并利用softmax函數(shù)沿通道維度計(jì)算注意力權(quán)重［19］。計(jì)算如公式（4）和公式（5）所示。

式中：conv1×1（·）表示大小為1×1的卷積；av_pool（·）表示全局平均池化；表示連接操作。

類似地，在計(jì)算全局特征注意力權(quán)重時(shí)，首先利用余弦相似度計(jì)算全局和局部特征的特征關(guān)聯(lián)，并沿特征圖的通道維度計(jì)算注意力權(quán)重，全局注意力權(quán)重計(jì)算如公式（6）所示。

wgl=softmax（conv1×1（cos（av_pool（Ft+1），fg）））。（6）

然后，將全局交叉注意力權(quán)重wgl和局部交叉注意力權(quán)重wlg進(jìn)行點(diǎn)乘，獲得最終的融合注意力交叉注意力權(quán)重w。最后，將全局特征與局部特征分別與注意力權(quán)重進(jìn)行加權(quán)，獲得最終的融合特征Fs。詳細(xì)計(jì)算如公式（7）和公式（8）所示。

2.4 特征分離

融合后的深度特征包含多種語義信息，如蘋果葉片病害區(qū)域的紋理、顏色和病害文本信息等。如何將融合特征進(jìn)行解耦，利用細(xì)粒度分離的特征表示蘋果葉片病害的單一特征，降低無關(guān)特征的干擾，可以有效提升模型對蘋果葉片病害區(qū)域的定位與識(shí)別［20］。融合特征的特征分離流程如圖6所示。

由于本研究所使用的蘋果葉片病害數(shù)據(jù)集僅包括病害區(qū)域和病害類型2種標(biāo)簽，為此，利用病害區(qū)域和文本標(biāo)簽將融合特征分離為區(qū)域相關(guān)特征Fc、文本標(biāo)簽相關(guān)特征Fl和2個(gè)部分的共享特征Fcl。利用區(qū)域相關(guān)特征和共享特征預(yù)測蘋果葉片病害區(qū)域，利用文本標(biāo)簽相關(guān)特征和共享特征預(yù)測葉片病害的文本標(biāo)簽。最后，通過計(jì)算預(yù)測葉片病害區(qū)域、病害區(qū)域標(biāo)簽與真實(shí)蘋果葉片病害數(shù)據(jù)集進(jìn)行損失計(jì)算，根據(jù)損失值端到端優(yōu)化模型。具體計(jì)算方法如公式（9）和公式（10）所示。

式中：pc表示預(yù)測的病害區(qū)域標(biāo)簽；pl表示預(yù)測的文本標(biāo)簽。

3 試驗(yàn)設(shè)計(jì)

3.1 試驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

蘋果病害葉片檢測試驗(yàn)在Windows 10系統(tǒng)，搭載3090Ti 24 GB GPU，12 GB運(yùn)行內(nèi)存。編輯語言采用Python 11.3.2，編輯器選擇PyCharm 2020.3.2。

深度網(wǎng)絡(luò)的檢測性能極易受超參數(shù)的影響，本研究采用對比測試的方法選擇初始學(xué)習(xí)率為0.005，batch size為8，epoch為60。各項(xiàng)超參數(shù)的對比試驗(yàn)如圖7所示。

為了驗(yàn)證本研究模型的性能，采用精準(zhǔn)率、召回率和F1分?jǐn)?shù)（F1-score）作為評(píng)價(jià)指標(biāo)。計(jì)算方法如公式（11）至公式（13）所示。

式中：TP表示正確預(yù)測的樣本數(shù)；FP表示誤報(bào)的樣本數(shù)；FN表示漏報(bào)的樣本數(shù)。

3.2 消融試驗(yàn)

為研究不同模塊在蘋果病害葉片檢測模型性能提升中扮演的角色，進(jìn)行了如表2所示的消融試驗(yàn)?？梢钥闯?，相比利用單一局部或全局特征作為蘋果病害葉片檢測模型的基線特征，融合局部和全局特征的蘋果病害葉片檢測模型性能提升明顯，可以實(shí)現(xiàn)92.88%的精準(zhǔn)率、93.05%的召回率和93.76%的F1分?jǐn)?shù)。 然而，在全局和局部特征構(gòu)造多尺度融合特征的基礎(chǔ)上，利用特征分離模塊，在病害區(qū)域的定位和病害識(shí)別性能提升上具有明顯的作用，精準(zhǔn)率、召回率和F1分?jǐn)?shù)進(jìn)一步可以提升至96.35%、95.76%和96.02%。上述試驗(yàn)結(jié)果也驗(yàn)證了局部特征、全局特征和特征分離對于模型提升病害區(qū)域定位與識(shí)別具有積極的作用。

3.3 試驗(yàn)結(jié)果與分析

為了驗(yàn)證本研究所提出模型的先進(jìn)性，在相同的數(shù)據(jù)集和評(píng)價(jià)指標(biāo)下，與當(dāng)前目標(biāo)檢測領(lǐng)域主流的模型YOLO v5、Inception v4、Faster R-CNN、AlexNet、GoogleNet進(jìn)行對比試驗(yàn)，詳細(xì)結(jié)果如表3所示。

由表3可以看出，本研究模型可以實(shí)現(xiàn)96.35%的精準(zhǔn)率、95.76%的召回率和96.02%的F1分?jǐn)?shù)，綜合性能優(yōu)勢明顯。具體地，在精準(zhǔn)率評(píng)價(jià)指標(biāo)下，本研究模型相比所有對比模型中表現(xiàn)最好的GoogleNet，提升了3.56百分點(diǎn)；在召回率指標(biāo)下，相比Inception v4，提升了3.17百分點(diǎn)；在F1分?jǐn)?shù)指標(biāo)下，相比GoogleNet，提升了3.22百分點(diǎn)。性能提升明顯的主要原因是：（1）本研究所提出的模型結(jié)合了局部和全局特征，通過在不同子區(qū)域內(nèi)細(xì)粒度地學(xué)習(xí)局部特征表達(dá)，彌補(bǔ)了全局特征因全局平尺池化導(dǎo)致信息丟失或語義破壞的問題；（2）提取高質(zhì)量的特征是提升模型對病害區(qū)域定位和病害類型識(shí)別性能的有效方法，所提出模型通過將融合特征分離為單一病害區(qū)域表示特征和文本標(biāo)簽特征，緩解了融合特征語義分布混亂導(dǎo)致模型性能不佳的問題。

為進(jìn)一步驗(yàn)證所提出模型對蘋果葉片病害區(qū)域定位與識(shí)別的魯棒性和泛化性能，分別利用YOLO v5、Inception v4、Faster R-CNN、AlexNet、GoogleNet與本研究所提出模型對健康葉片、銹病葉片、黑星病葉片、褐斑病葉片、白粉病葉片進(jìn)行檢測試驗(yàn)，圖8給出了不同模型對200張葉片的檢測混淆矩陣。

圖9展示了單一場景和多種混合場景下的蘋果葉片檢測結(jié)果可視化?？梢钥闯觯狙芯克岢瞿Ｐ蛯τ趩我粓鼍跋碌奶O果病害葉片區(qū)域的定位與識(shí)別精度較高；多種混合場景下的檢測性能有所下降，主要原因是多種混合場景包含葉片種類豐富、噪聲信息較多，極易導(dǎo)致模型出現(xiàn)漏報(bào)或誤報(bào)，但是本研究所提出模型仍然可以達(dá)到平均92.72%的精準(zhǔn)率，可以在實(shí)際生產(chǎn)中為蘋果葉片病害區(qū)域的定位與識(shí)別提供一定的指導(dǎo)作用。

此外，為驗(yàn)證本研究所提出模型在檢測時(shí)間開銷方面的優(yōu)越性，與當(dāng)前主流的YOLO v5、Inception v4、Faster R-CNN、AlexNet、GoogleNet等模型進(jìn)行時(shí)間開銷對比試驗(yàn)。詳細(xì)對比結(jié)果如圖10所示，可以看出，本研究所提出模型在檢測時(shí)間開銷方面與AlexNet、GoogleNet模型差距不明顯，但與Faster R-CNN 模型，YOLO v5模型相比，優(yōu)勢明顯，究其原因是本研究所提出模型在前期特征提取階段，無論全局特征提取還是局部特征提取均選擇了預(yù)訓(xùn)練的特征提取網(wǎng)絡(luò)，不進(jìn)行任何的參數(shù)微調(diào)，有效降低了時(shí)間開銷。

4 結(jié)論

高質(zhì)量的特征是提升蘋果病害葉片檢測模型定位與識(shí)別可靠性和魯棒性的基礎(chǔ)。針對現(xiàn)有基于深度學(xué)習(xí)的蘋果病害葉片檢測性能不佳、可解釋性不強(qiáng)的問題，本研究提出一種基于多特征分離的蘋果病害葉片檢測方法，主要結(jié)論包括：（1）相比單一利用局部或全局特征的蘋果病害葉片檢測模型，融合局部和全局特征構(gòu)造的多尺度特征融合模型可以有效提升模型的檢測精準(zhǔn)率；（2）融合多種語義的特征可解釋性不強(qiáng)，特征間的干擾因素較多，將融合特征分離成單一代表蘋果葉片病害區(qū)域和文本標(biāo)簽的特征，可以有效提升本研究蘋果病害葉片檢測模型定位與識(shí)別的性能；（3）通過在開源數(shù)據(jù)集上進(jìn)行測試，本研究所提出模型可以實(shí)現(xiàn)96.35%的精準(zhǔn)率、95.76%的召回率和96.02%的F1分?jǐn)?shù)。

參考文獻(xiàn)：

［1］Turkoglu M，Hanbay D，Sengur A.Multi-model LSTM-based convolutional neural networks for detection of apple diseases and pests［J］. Journal of Ambient Intelligence and Humanized Computing，2022，13（7）：3335-3345.

［2］Bansal P，Kumar R，Kumar S.Disease detection in apple leaves using deep convolutional neural network［J］. Agriculture，2021，11（7）：617.

［3］Khan A I，Quadri S M K，Banday S.Deep learning for apple diseases：classification and identification［J］. International Journal of Computational Intelligence Studies，2021，10（1）：1.

［4］Yan Q A，Yang B H，Wang W Y，et al. Apple leaf diseases recognition based on an improved convolutional neural network［J］. Sensors，2020，20（12）：3535.

［5］杜建軍，李大壯，廖生進(jìn)，等. 基于CT圖像和RAUNet-3D的玉米籽粒三維結(jié)構(gòu)測量［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（12）：244-253，289.

［6］Rehman Z U，Khan M A，Ahmed F，et al. Recognizing apple leaf diseases using a novel parallel real-time processing framework based on MASK RCNN and transfer learning：an application for smart agriculture［J］. IET Image Processing，2021，15（10）：2157-2168.

［7］李鑫然，李書琴，劉 斌. 基于改進(jìn)Faster R-CNN的蘋果葉片病害檢測模型［J］. 計(jì)算機(jī)工程，2021，47（11）：298-304.

［8］劉 斌，徐皓瑋，李承澤，等. 基于快照集成卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害程度識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（6）：286-294.

［9］Di J E，Li Q.A method of detecting apple leaf diseases based on improved convolutional neural network［J］. PLoS One，2022，17（2）：e0262629.

［10］Gong X L，Zhang S J.A high-precision detection method of apple leaf diseases using improved faster R-CNN［J］. Agriculture，2023，13（2）：240.

［11］孫長蘭，林海峰. 一種基于集成學(xué)習(xí)的蘋果葉片病害檢測方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：41-47. [HJ2.1mm]

［12］李 昊，王 斌. 深度特征融合方法及其在葉片病害識(shí)別中的應(yīng)用［J］. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（7）：349-355.

［13］Tian Y N，Li E，Liang Z Z，et al. Diagnosis of typical apple diseases：a deep learning method based on multi-scale dense classification network［J］. Frontiers in Plant Science，2021，12：698474.

［14］Luo Y Q，Sun J，Shen J F，et al. Apple leaf disease recognition and sub-class categorization based on improved multi-scale feature fusion network［J］. IEEE Access，2021，9：95517-95527.

［15］潘仁勇，張 欣，陳孝玉龍，等. 基于DTS-ResNet的蘋果葉片病害識(shí)別方法［J］. 國外電子測量技術(shù)，2022，41（9）：142-148.

［16］Thakur P S，Sheorey T，Ojha A.VGG-ICNN：a lightweight CNN model for crop disease identification［J］. Multimedia Tools and Applications，2023，82（1）：497-520.

［17］Guo Y F，Lan Y T，Chen X D.CST：Convolutional Swin Transformer for detecting the degree and types of plant diseases［J］. Computers and Electronics in Agriculture，2022，202：107407.

［18］Li X P，Li S Q.Transformer help CNN see better：a lightweight hybrid apple disease identification model based on transformers［J］. Agriculture，2022，12（6）：884.

［19］Mao B J，Wang L F，Xiang S M，et al. Task-aware adaptive attention learning for few-shot semantic segmentation［J］. Neurocomputing，2022，494：104-115.

［20］Lv Z H，Zhu S H，Wang D S，et al. Infrared-visible person re-identification via dual-channel attention mechanism［J］. Multimedia Tools and Applications，2023，82（15）：22631-22649.