溫艷蘭 陳友鵬 王克強(qiáng) 程杏安 林欽永 蔡肯 馬佳佳 孔翰博

摘要：在農(nóng)業(yè)生產(chǎn)中，蟲害已經(jīng)成為影響作物產(chǎn)量和質(zhì)量的主要威脅之一，針對(duì)傳統(tǒng)識(shí)別方法對(duì)復(fù)雜背景下蟲害圖像識(shí)別準(zhǔn)確率和效率低等問題，本研究提出一種基于遷移學(xué)習(xí)和改進(jìn)殘差網(wǎng)絡(luò)的蟲害圖像識(shí)別方法。首先，利用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)采集的橘小實(shí)蠅蟲害圖像進(jìn)行樣本數(shù)據(jù)的擴(kuò)充；再在ResNet-34模型的基礎(chǔ)上，增加了2個(gè)注意力模塊層，并重新設(shè)計(jì)了全連接層模塊，獲得能夠改進(jìn)后的網(wǎng)絡(luò)模型；最后利用遷移學(xué)習(xí)的方法將預(yù)訓(xùn)練的參數(shù)權(quán)重遷移到本模型中進(jìn)行訓(xùn)練，并在試驗(yàn)過程中分析學(xué)習(xí)方式、樣本量、學(xué)習(xí)率、批量大小等參數(shù)對(duì)模型性能的影響。結(jié)果表明，采用旋轉(zhuǎn)、翻轉(zhuǎn)和亮度變換操作對(duì)圖像進(jìn)行數(shù)據(jù)擴(kuò)充的數(shù)據(jù)集，在訓(xùn)練模型的全部層的遷移學(xué)習(xí)方法中獲得99.77%的測(cè)試準(zhǔn)確率。本研究提出的模型具有較高的識(shí)別準(zhǔn)確率和較強(qiáng)的魯棒性，可為實(shí)現(xiàn)復(fù)雜背景下蟲害的識(shí)別提供參考。

關(guān)鍵詞：遷移學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；圖像識(shí)別

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

文章編號(hào)：1002-1302（2023）08-0171-06

基金項(xiàng)目：國家自然科學(xué)基金（編號(hào)：62003379）；廣東省科技計(jì)劃（編號(hào)：KA1721404）；廣東省普通高校重點(diǎn)領(lǐng)域?qū)ｍ?xiàng)（編號(hào)：2019GZDXM007）。

作者簡(jiǎn)介：溫艷蘭（1995—），女，廣東梅縣人，碩士研究生，主要研究方向?yàn)闄C(jī)器視覺。E-mail：164734302@qq.com。

通信作者：王克強(qiáng)，碩士，教授，主要研究方向?yàn)檗r(nóng)業(yè)機(jī)器人。E-mail：wangkq2003@126.com。

柑橘味道鮮美且營(yíng)養(yǎng)豐富，深受廣大消費(fèi)者的喜愛。據(jù)國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)了解，2020年我國柑橘種植面積近270萬hm2，柑橘產(chǎn)量達(dá)到5 121.9萬t［1］，已成為我國栽培面積最大、產(chǎn)量最高的水果。柑橘是橘小實(shí)蠅偏好的寄主水果，其產(chǎn)量和質(zhì)量受橘小實(shí)蠅影響嚴(yán)重，進(jìn)而造成嚴(yán)重的經(jīng)濟(jì)損失［2］。因此，實(shí)現(xiàn)快速準(zhǔn)確地識(shí)別橘小實(shí)蠅，能夠使管理者及時(shí)采取有效的防治措施，提高柑橘的產(chǎn)量和品質(zhì)。

近年來，隨著機(jī)器視覺和計(jì)算機(jī)技術(shù)的深入發(fā)展，深度學(xué)習(xí)算法在圖像識(shí)別中發(fā)揮著越來越重要的作用，并在蘋果［3-5］、柑橘［6-8］、棉花［9-10］、大豆［11-12］、玉米［13-15］、水稻［16-18］等作物病蟲害識(shí)別［19-23］中取得了不錯(cuò)的研究成果。趙立新等在棉花病蟲害的識(shí)別中，通過改進(jìn)AlexNet模型中的全連接層的結(jié)構(gòu)，獲得了97.16%的平均測(cè)試準(zhǔn)確率，為棉花葉部病蟲害識(shí)別提供了可靠依據(jù)［24］。He等采用雙層Faster R-CNN對(duì)褐飛虱進(jìn)行不同數(shù)量和不同蟲齡的檢測(cè)［25］。而李衡霞等則將Fast R-CNN與VGG16進(jìn)行結(jié)合，實(shí)現(xiàn)對(duì)油菜害蟲94.12%的平均分類準(zhǔn)確率［26］。李昊等采用DenseNet網(wǎng)絡(luò)模型對(duì)柑橘病害的平均識(shí)別精度達(dá)到95.46%，可實(shí)現(xiàn)柑橘智能監(jiān)控的管理，為病蟲害物聯(lián)網(wǎng)監(jiān)控提供了參考［27］。孫鵬等將注意力機(jī)制運(yùn)用到卷積神經(jīng)網(wǎng)絡(luò)模型中，通過串聯(lián)的方式將提取的粗尺度圖像作為細(xì)尺度圖像的輸入來提取更細(xì)的特征，不僅實(shí)現(xiàn)了大豆蚜蟲的準(zhǔn)確識(shí)別，而且為農(nóng)業(yè)信息化的技術(shù)可行性提供了可靠的理論依據(jù)［28］。

Malathi等通過對(duì)ResNet-50模型的超參數(shù)和層次進(jìn)行微調(diào)，再引入遷移學(xué)習(xí)方法，實(shí)現(xiàn)對(duì)10種水稻害蟲準(zhǔn)確分類識(shí)別［29］。Zhang等在殘差網(wǎng)絡(luò)中引入離散卷積，實(shí)現(xiàn)對(duì)儲(chǔ)糧害蟲進(jìn)行識(shí)別，平均識(shí)別準(zhǔn)確率達(dá)96.72%［30］。曹躍騰等通過調(diào)整底層卷積尺寸、改進(jìn)殘差塊結(jié)構(gòu)和模型剪枝操作，得到一種輕量化的植物葉片病蟲害識(shí)別算法——Simplify-ResNet，并在人工采集圖像和PlantVillage數(shù)據(jù)集圖像中，獲得更高的準(zhǔn)確率和更好的穩(wěn)定性能，為移動(dòng)端植物病蟲害識(shí)別解決了最重要的算法設(shè)計(jì)問題［31］。賈少鵬等在卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)中加入了膠囊網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)優(yōu)化，彌補(bǔ)了CNN在輸出時(shí)丟失大量信息的缺陷，優(yōu)化后的模型對(duì)番茄灰霉病病害的識(shí)別精度比原模型提高了3.55%［32］。王鐸等將深度卷積條件加入到生成對(duì)抗網(wǎng)絡(luò)中，增強(qiáng)了模型穩(wěn)定性，能夠適應(yīng)于不同成長(zhǎng)階段的蟲害和種類繁多的分類場(chǎng)景［33］。

在上述研究中，大多數(shù)試驗(yàn)樣本都是在簡(jiǎn)單的背景下取得的，對(duì)復(fù)雜背景的適應(yīng)性較差，存在一定的局限性。本研究基于ResNet-34模型，采用遷移學(xué)習(xí)的方法，對(duì)復(fù)雜背景下的橘小實(shí)蠅蟲害圖像進(jìn)行訓(xùn)練，以期實(shí)現(xiàn)復(fù)雜背景下柑橘蟲害的高效準(zhǔn)確識(shí)別。

1 材料與方法

1.1 圖像數(shù)據(jù)采集

本研究以橘小實(shí)蠅為研究對(duì)象。橘小實(shí)蠅成蟲體長(zhǎng)6～8 mm，翅展14～16 mm，全體深黑色和黃色相間，胸部背面大部分黑色，但黃色的“U”字形斑紋明顯，腹部呈黃色［34］。由于在自然環(huán)境中，橘小實(shí)蠅移動(dòng)迅速，其圖像難以獲取，本研究在實(shí)驗(yàn)室內(nèi)搭建了一套模擬自然環(huán)境的圖像采集系統(tǒng)，在復(fù)雜背景中對(duì)橘小實(shí)蠅進(jìn)行多角度拍攝。選用德國IDS工業(yè)相機(jī)（型號(hào)：UI-3070CP-C-HQ Rev.2）作為圖像采集設(shè)備，分辨率為2 056像素×1 542像素。采集成蟲在復(fù)雜背景下的樣本圖像1 700幅及無成蟲的圖像1 700幅，共3 400幅清晰彩色圖像作為本研究的原始數(shù)據(jù)集。

1.2 圖像數(shù)據(jù)預(yù)處理及數(shù)據(jù)增強(qiáng)

首先，將采集到的原始圖像利用圖像處理工具包OpenCV批量裁剪出520像素×520像素大小的JPG圖像，橘小實(shí)蠅蟲害圖像和無蟲害圖像各1 700幅，2種樣本共計(jì)3 400幅。然后，通過旋轉(zhuǎn)變換和翻轉(zhuǎn)變換擴(kuò)充圖像數(shù)量，分別旋轉(zhuǎn)90°、180°、270°、水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)，以模擬拍攝的角度差異。并通過明亮度變換（變亮、變暗）進(jìn)行擴(kuò)充，模擬拍攝的光線差異。通過上述圖像擴(kuò)充操作后，圖像總計(jì)27 200幅。最后，把圖像尺寸統(tǒng)一縮放到224像素×224像素，得到最終的樣本圖像數(shù)據(jù)集。本研究按照6 ∶2 ∶2的比例將獲得的圖像數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，樣本示例如圖1所示。

1.3 模型結(jié)構(gòu)設(shè)計(jì)

ResNet是何愷明等提出來的一種深層次的深度學(xué)習(xí)網(wǎng)絡(luò)［35］，本研究使用ResNet-34基本網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)，其模型結(jié)構(gòu)如圖2所示。ResNet-34除第1層7×7卷積和最后一層全連接外，共有4組殘差組，每個(gè)殘差組各有3、4、6、3個(gè)殘差單元，而且1個(gè)殘差單元包含2個(gè)3×3卷積。本研究在殘差網(wǎng)絡(luò)中加入注意力機(jī)制模塊，如圖3所示，包含通道注意力和空間注意力。加入注意力機(jī)制模塊后的ResNet-34結(jié)構(gòu)如圖4所示。

ResNet-34利用ImageNet數(shù)據(jù)集中上百萬幅圖像完成訓(xùn)練，得到一個(gè)較好的分類識(shí)別模型。在目前條件下，橘小實(shí)蠅蟲害圖像還沒能夠達(dá)到如此巨大的數(shù)據(jù)集，因而想要訓(xùn)練出效果理想的分類模型是比較困難的。而遷移學(xué)習(xí)能夠?qū)⒁粋€(gè)基礎(chǔ)數(shù)據(jù)集和基礎(chǔ)任務(wù)上訓(xùn)練所得的網(wǎng)絡(luò)模型遷移到目標(biāo)數(shù)據(jù)和目標(biāo)任務(wù)的訓(xùn)練網(wǎng)絡(luò)中。因此，可以采用遷移學(xué)習(xí)的方法來進(jìn)行柑橘蟲害的分類識(shí)別。本研究采用的方法是保留圖2中前5個(gè)卷積模塊，并且加入注意力模塊，再重新設(shè)計(jì)全連接層模塊，然后利用遷移學(xué)習(xí)的方法將預(yù)訓(xùn)練ResNet-34模型的權(quán)重和參數(shù)運(yùn)用到柑橘蟲害的檢測(cè)與識(shí)別中，具體的流程圖如圖5所示。

1.4 試驗(yàn)環(huán)境與參數(shù)設(shè)計(jì)

1.4.1 試驗(yàn)環(huán)境

試驗(yàn)在Python 3.7.11、torch-GPU 1.10.2軟件環(huán)境下完成。試驗(yàn)中訓(xùn)練模型的硬件環(huán)境為64位Windows10系統(tǒng)，并配置有11th Gen Intel CoreTM i7-11700K CPU，主頻3.6 GHz，圖形處理單元（GPU）采用NVIDIA GeForce RTX 3060，12 GB顯存。試驗(yàn)在GPU模式下進(jìn)行，采用Python語言進(jìn)行編程，利用OpenCV圖像處理庫及pytorch框架相關(guān)的深度學(xué)習(xí)庫完成網(wǎng)絡(luò)的搭建。

1.4.2 試驗(yàn)參數(shù)的設(shè)計(jì)

在深度學(xué)習(xí)中，模型的性能受到諸多因素的影響。本研究綜合考慮4個(gè)影響因素，包括模型的訓(xùn)練方式、數(shù)據(jù)增強(qiáng)方法、學(xué)習(xí)率和批量大?。╞atch_size）對(duì)模型性能的影響，總共進(jìn)行了15組模型訓(xùn)練，每組試驗(yàn)都運(yùn)行100次迭代（epoch），并且每次迭代前都打亂訓(xùn)練集的輸入順序。

2 結(jié)果與分析

2.1 學(xué)習(xí)方式對(duì)模型性能的影響

在學(xué)習(xí)率為0.01、batch_size為16的條件下，采用2種不同的訓(xùn)練機(jī)制對(duì)原始圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，并對(duì)改進(jìn)前后的模型進(jìn)行對(duì)比試驗(yàn)，得到訓(xùn)練集、驗(yàn)證集和測(cè)試集的準(zhǔn)確率如表1所示。

從表1可以看出，在相同的試驗(yàn)條件下，2種不同的訓(xùn)練機(jī)制下所得到的驗(yàn)證準(zhǔn)確率與測(cè)試準(zhǔn)確率相符，而且對(duì)模型所有層的所有參數(shù)都進(jìn)行目標(biāo)域的訓(xùn)練獲得了最佳的識(shí)別效果，訓(xùn)練集平均準(zhǔn)確率為97.17%，測(cè)試集準(zhǔn)確率為99.55%。2種訓(xùn)練方式改進(jìn)模型前后的識(shí)別準(zhǔn)確率和損失值如圖6所示。

從圖6-a中可以看出，對(duì)模型所有層的所有參數(shù)都進(jìn)行目標(biāo)域訓(xùn)練的遷移學(xué)習(xí)比僅訓(xùn)練分類器參數(shù)的訓(xùn)練精度更高、更穩(wěn)定，而且修改后的模型的收斂速度更快。而且從圖6-b中可以看出，2種模型的損失值均在0.06以下，而且對(duì)模型所有層的所有參數(shù)都進(jìn)行訓(xùn)練的遷移學(xué)習(xí)的損失值下降速度更快，到達(dá)穩(wěn)定點(diǎn)基本可以維持在0.001左右，訓(xùn)練效果比較理想。

2.2 圖像數(shù)據(jù)擴(kuò)充對(duì)模型性能的影響

從“2.1”節(jié)中可知，對(duì)改進(jìn)后的模型所有層的所有參數(shù)都進(jìn)行目標(biāo)域訓(xùn)練的遷移學(xué)習(xí)模型獲得了更好的性能，因此，本節(jié)采用這一模型對(duì)圖像數(shù)據(jù)擴(kuò)充進(jìn)行進(jìn)一步的研究。為研究模型在不同擴(kuò)充圖像的泛化能力，本研究對(duì)原始圖像數(shù)據(jù)集、原始+翻轉(zhuǎn)擴(kuò)充圖像數(shù)據(jù)集、原始+亮度變換擴(kuò)充圖像數(shù)據(jù)集、原始+旋轉(zhuǎn)擴(kuò)充圖像數(shù)據(jù)集、原始+旋轉(zhuǎn)+翻轉(zhuǎn)擴(kuò)充圖像數(shù)據(jù)集以及原始+旋轉(zhuǎn)+翻轉(zhuǎn)+亮度變換擴(kuò)充圖像數(shù)據(jù)集進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試。在初始學(xué)習(xí)率均為0.01的情況下，采用不同的數(shù)據(jù)擴(kuò)充方式對(duì)模型進(jìn)行訓(xùn)練，識(shí)別準(zhǔn)確率情況如表2所示。

從表2可知，不同數(shù)據(jù)增強(qiáng)情況下的訓(xùn)練與測(cè)試準(zhǔn)確率相差不大，一方面可能是因?yàn)閿?shù)據(jù)圖像采集時(shí)采用了明亮度不同的多角度拍攝，因而數(shù)據(jù)增強(qiáng)操作對(duì)圖像的質(zhì)量改變不大，另一方面是遷移學(xué)習(xí)使用的模型是從大型數(shù)據(jù)集ImageNet上獲得的，對(duì)特征的提取能力較高，對(duì)樣本的數(shù)量擴(kuò)充依賴性較低。由此可見，遷移學(xué)習(xí)對(duì)復(fù)雜背景下小樣本的橘小實(shí)蠅蟲害識(shí)別也具有較高的魯棒性，而且能夠有效地減少訓(xùn)練所需時(shí)間。

2.3 學(xué)習(xí)率對(duì)模型性能的影響

對(duì)原始數(shù)據(jù)集采用3種不同的學(xué)習(xí)率對(duì)模型進(jìn)行訓(xùn)練，識(shí)別準(zhǔn)確率情況如表3所示，訓(xùn)練和驗(yàn)證曲線如圖7所示。

由表3可知，模型測(cè)試集的平均識(shí)別準(zhǔn)確率均達(dá)到99%以上，模型都得到了較好的魯棒性。但是從圖7可以看出，學(xué)習(xí)率為0.000 1訓(xùn)練集和測(cè)試集準(zhǔn)確率都能夠穩(wěn)定維持在較高水平上，而學(xué)習(xí)率為0.01和0.001的模型雖然也能夠獲得較高的訓(xùn)練精度，但是在驗(yàn)證集上存在一定的波動(dòng)，模型的穩(wěn)定性相對(duì)較差。因此，學(xué)習(xí)率為0.000 1的模型識(shí)別效果最佳。

2.4 批量大小對(duì)模型性能的影響

由“2.3”節(jié)可知，學(xué)習(xí)率為0.000 1時(shí)模型的識(shí)別效果最佳，訓(xùn)練、驗(yàn)證和測(cè)試準(zhǔn)確率均達(dá)到99%以上，如果在此基礎(chǔ)上對(duì)batch_size設(shè)置對(duì)比試驗(yàn)，試驗(yàn)對(duì)比效果不太明顯，因此，在學(xué)習(xí)率為0.01的情況下，采用5種不同batch_size對(duì)模型進(jìn)行訓(xùn)練，識(shí)別準(zhǔn)確率情況如表4所示。

從表4可以看出，隨著batch_size的增加，平均訓(xùn)練時(shí)間相對(duì)減少，但是模型的識(shí)別準(zhǔn)確率呈現(xiàn)正態(tài)分布的趨勢(shì)，因此，batch_size選取得過大或者過小都會(huì)使得模型的泛化能力降低。

2.5 模型用戶界面開發(fā)

為了方便使用者操作，將程序開發(fā)成用戶界面，只需選擇好自己需要檢測(cè)的圖像即可進(jìn)行檢測(cè)。現(xiàn)隨機(jī)選擇2幅橘小實(shí)蠅圖像進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖8所示，識(shí)別的準(zhǔn)確率分別為99.996%和98.526%，具有良好的應(yīng)用效果。

3 討論與結(jié)論

本研究以ResNet-34為基礎(chǔ)模型，融入了注意力機(jī)制，并對(duì)其全連接層的結(jié)構(gòu)進(jìn)行了改進(jìn)，用于復(fù)雜背景下橘小實(shí)蠅的蟲害圖像識(shí)別建模。通過設(shè)置15組模型訓(xùn)練試驗(yàn)，選取出魯棒性高、泛化能力強(qiáng)的模型。根據(jù)試驗(yàn)結(jié)果，可以得出以下結(jié)論。

（1）在相同的試驗(yàn)條件下，對(duì)模型所有層的所有參數(shù)都進(jìn)行目標(biāo)域訓(xùn)練的遷移學(xué)習(xí)模型的整體性能比僅訓(xùn)練分類器參數(shù)的模型更好，能夠在橘小實(shí)蠅蟲害圖像識(shí)別中獲得97.17%的平均識(shí)別準(zhǔn)確率。

（2）遷移學(xué)習(xí)弱化了模型對(duì)樣本數(shù)量擴(kuò)充的依賴性。雖然數(shù)據(jù)擴(kuò)充會(huì)使得訓(xùn)練時(shí)長(zhǎng)增加，但是充足的樣本量能夠在一定程度上提高模型的識(shí)別性能。將采集的圖像數(shù)據(jù)擴(kuò)充到原來的8倍后，訓(xùn)練集準(zhǔn)確率從97.17%的基礎(chǔ)上提升了2.12%。

（3）在遷移學(xué)習(xí)中，3種學(xué)習(xí)率均獲得了良好的訓(xùn)練效果，但是學(xué)習(xí)率為0.01和0.001的模型在測(cè)試集中識(shí)別準(zhǔn)確率波動(dòng)比較大，而學(xué)習(xí)率為0.000 1的模型測(cè)試集準(zhǔn)確率高且穩(wěn)定，識(shí)別效果最佳。

（4）batch_size較小時(shí)花費(fèi)時(shí)間較長(zhǎng)，且實(shí)際測(cè)試精度相對(duì)較低；batch_size較大時(shí)，不同batch的梯度方向沒有任何變化，容易陷入局部極小值，使得實(shí)際測(cè)試精度較低。

本研究結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)，對(duì)復(fù)雜背景下的橘小實(shí)蠅進(jìn)行識(shí)別，獲得了較好的應(yīng)用效果。下一步研究計(jì)劃搜集更多復(fù)雜環(huán)境下的其他蟲害的圖像，進(jìn)一步豐富蟲害數(shù)據(jù)，然后對(duì)多種蟲害進(jìn)行混合并研究其識(shí)別方法，以提升模型的應(yīng)用價(jià)值。

參考文獻(xiàn)：

［1］國家統(tǒng)計(jì)局. 中國統(tǒng)計(jì)摘要2021［M］. 北京：中國統(tǒng)計(jì)出版社，2022.

［2］王明召，陽廷密，趙小龍，等. 橘小實(shí)蠅田間消長(zhǎng)動(dòng)態(tài)及對(duì)柑橘果實(shí)危害研究［J］. 應(yīng)用昆蟲學(xué)報(bào)，2019，56（3）：485-491.

［3］Ding W G，Taylor G. Automatic moth detection from trap images for pest management［J］. Computers and Electronics in Agriculture，2016，123：17-28.

［4］于洪濤，袁明新，王 琪，等. 基于VGG-F動(dòng)態(tài)學(xué)習(xí)模型的蘋果病蟲害識(shí)別［J］. 科學(xué)技術(shù)與工程，2019，19（32）：249-253.

［5］周宏威，沈恒宇，袁新佩，等. 基于遷移學(xué)習(xí)的蘋果樹葉片病蟲害識(shí)別方法研究［J］. 中國農(nóng)機(jī)化學(xué)報(bào)，2021，42（11）：151-158.

［6］Xing S L，Lee M，Lee K K. Citrus pests and diseases recognition model using weakly dense connected convolution network［J］. Sensors，2019，19（14）：3195.

［7］Morteza K，Ezzatollah A A，Ehsan K. Citrus pests classification using an ensemble of deep learning models［J］. Computers and Electronics in Agriculture，2021，186：106192.

［8］Partel V，Nunes L，Stansly P，et al. Automated vision-based system for monitoring Asian citrus psyllid in orchards utilizing artificial intelligence［J］. Computers and Electronics in Agriculture，2019，162：328-336.

［9］Alves A N，Souza W S R，Borges D L. Cotton pests classification in field-based images using deep residual networks［J］. Computers and Electronics in Agriculture，2020，174：105488.

［10］張建華，孔繁濤，吳建寨，等. 基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別模型［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，23（11）：161-171.

［11］Tetila E C，Machado B B，Menezes G K，et al. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks［J］. IEEE Geoscience and Remote Sensing Letters，2020，17（5）：903-907.

［12］Amorim W P，Tetila E C，Pistori H，et al. Semi-supervised learning with convolutional neural networks for UAV images automatic recognition［J］. Computers and Electronics in Agriculture，2019，164：104932.

［13］李 靜，陳桂芬，安 宇. 基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的玉米螟蟲害圖像識(shí)別［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（3）：110-116.

［14］Waheed A，Goyal M，Gupta D，et al. An optimized dense convolutional neural network model for disease recognition and classification in corn leaf［J］. Computers and Electronics in Agriculture，2020，175：105456.

［15］許景輝，邵明燁，王一琛，等. 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（2）：230-236，253.

［16］Jiang F，Lu Y，Chen Y，et al. Image recognition of four rice leaf diseases based on deep learning and support vector machine［J］. Computers and Electronics in Agriculture，2020，179：105824.

［17］Wang F Y，Wang R J，Xie C J，et al. Convolutional neural network based automatic pest monitoring system using hand-held mobile image analysis towards non-site-specific wild environment［J］. Computers and Electronics in Agriculture，2021，187：106268.

［18］Yao Q，F(xiàn)eng J，Tang J，et al. Development of an automatic monitoring system for rice light-trap pests based on machine vision［J］. Journal of Integrative Agriculture，2020，19（10）：2500-2513.

［19］余小東，楊孟輯，張海清，等. 基于遷移學(xué)習(xí)的農(nóng)作物病蟲害檢測(cè)方法研究與應(yīng)用［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（10）：252-258.

［20］萬軍杰，祁力鈞，盧中奧，等. 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識(shí)別與分級(jí)［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（11）：209-221.

［21］Kamal K C，Yin Z D，Wu M Y，et al. Depthwise separable convolution architectures for plant disease classification［J］. Computers and Electronics in Agriculture，2019，165：104948.

［22］Wang D W，Deng L M，Ni J G，et al. Recognition pest by image-based transfer learning［J］. Journal of the Science of Food and Agriculture，2019，99（10）：4524-4531.

［23］溫艷蘭，陳友鵬，王克強(qiáng)，等. 基于機(jī)器視覺的病蟲害檢測(cè)綜述［J］. 中國糧油學(xué)報(bào)，2022，37（10）：271-279.

［24］趙立新，侯發(fā)東，呂正超，等. 基于遷移學(xué)習(xí)的棉花葉部病蟲害圖像識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（7）：184-191.

［25］He Y，Zhou Z Y，Tian L H，et al. Brown rice planthopper （Nilaparvata lugens Stal） detection based on deep learning［J］. Precision Agriculture，2020，21（6）：1385-1402.

［26］李衡霞，龍陳鋒，曾 蒙，等. 一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的油菜蟲害檢測(cè)方法［J］. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，45（5）：560-564.

［27］李 昊，劉海隆，劉生龍. 基于深度學(xué)習(xí)的柑橘病蟲害動(dòng)態(tài)識(shí)別系統(tǒng)研發(fā)［J］. 中國農(nóng)機(jī)化學(xué)報(bào)，2021，42（9）：195-201，208.

［28］孫 鵬，陳桂芬，曹麗英. 基于注意力卷積神經(jīng)網(wǎng)絡(luò)的大豆害蟲圖像識(shí)別［J］. 中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（2）：171-176.

［29］Malathi V，Gopinath M P.Classification of pest detection in paddy crop based on transfer learning approach［J］. Acta Agriculturae Scandinavica，Section B-Soil & Plant Science，2021，71（7）：552-559.

［30］Zhang Y Y，Zhong W B，Pan H. Identification of stored grain pests by modified residual network［J］. Computers and Electronics in Agriculture，2021，182：105983.

［31］曹躍騰，朱學(xué)巖，趙燕東，等. 基于改進(jìn)ResNet的植物葉片病蟲害識(shí)別［J］. 中國農(nóng)機(jī)化學(xué)報(bào)，2021，42（12）：175-181.

［32］賈少鵬，高紅菊，杭 瀟. 基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識(shí)別技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（增刊1）：313-317.

［33］王 鐸，溫長(zhǎng)吉，王希龍，等. 基于深度卷積條件生成對(duì)抗網(wǎng)絡(luò)的蟲害分類算法研究［J］. 中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（6）：179-187.

［34］楊麗英，李之洪. 橘小實(shí)蠅的形態(tài)特征、影響因素和防治措施［J］. 湖北農(nóng)機(jī)化，2020（1）：58.

［35］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA：IEEE，2016：770-778.