楊非凡　徐偉誠(chéng)　陳盛德　蘭玉彬

摘要：快速高效地識(shí)別水稻病害的種類(lèi)并及時(shí)采取有效的防治措施對(duì)避免水稻減產(chǎn)具有重要意義，為解決人工識(shí)別水稻病害效率低、識(shí)別精度不高、深度學(xué)習(xí)樣本不平衡導(dǎo)致識(shí)別準(zhǔn)確率不高等問(wèn)題，融合Focal Loss與4種典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)7種水稻病害進(jìn)行分類(lèi)識(shí)別。利用TensorFlow的Keras深度學(xué)習(xí)框架搭建卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別分類(lèi)系統(tǒng)，使用Focal Loss損失函數(shù)解決數(shù)據(jù)集不平衡導(dǎo)致識(shí)別準(zhǔn)確率低的問(wèn)題，采用ResNet50、ResNet101、MobileNetV2、VGG16作為特征提取骨干，對(duì)7種水稻病害進(jìn)行識(shí)別。通過(guò)imgaug庫(kù)增強(qiáng)數(shù)據(jù)，將13 543張水稻病害圖像按照9 ∶1的比例劃分為訓(xùn)練集和驗(yàn)證集并參與訓(xùn)練模型，將1 404張水稻病害圖像作為測(cè)試集來(lái)驗(yàn)證模型的準(zhǔn)確性。結(jié)果表明，所搭建的數(shù)據(jù)集中ResNet50、ResNet101、MobileNetV2、VGG16的識(shí)別準(zhǔn)確率分別為98.06%、94.26%、92.47%、97.83%?？梢?jiàn)，在融合Focal Loss損失函數(shù)的情況下，ResNet50作為特征提取骨干訓(xùn)練出的模型在水稻病害圖像分類(lèi)中擁有最高的準(zhǔn)確率，該成果可在實(shí)際生產(chǎn)中實(shí)現(xiàn)水稻病害的自動(dòng)分類(lèi)識(shí)別，有助于水稻病害的防治工作。

關(guān)鍵詞：水稻病害識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；Focal Loss；ResNet；MobileNetV2；VGG16

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

文章編號(hào)：1002-1302（2023）14-0198-07

水稻作為我國(guó)南方的主要糧食作物，占全國(guó)糧食種植面積的1/3［1］。在水稻生長(zhǎng)期內(nèi)伴生的多種病害常導(dǎo)致水稻減產(chǎn)，因此水稻病害的診斷與防治具有重要意義。傳統(tǒng)水稻病害識(shí)別方法主要為專(zhuān)家目視觀(guān)察水稻患病部位，根據(jù)患病部位的特征判斷患病種類(lèi)。該方法具有效率低、工成本高、專(zhuān)業(yè)技能要求高等缺點(diǎn)，不利于及時(shí)對(duì)水稻病害進(jìn)行精準(zhǔn)防控［2］?；谏疃葘W(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域具有無(wú)損、高效的特點(diǎn)，已有部分研究人員將其應(yīng)用到植物病害識(shí)別領(lǐng)域中。Bikash等將神經(jīng)網(wǎng)絡(luò)用于識(shí)別茶樹(shù)的5種疾病［3］。Astani等使用深度學(xué)習(xí)識(shí)別番茄病害種類(lèi)，準(zhǔn)確率為95.98%［4］。徐振南等將MobileNetV3用于識(shí)別馬鈴薯葉部病害，準(zhǔn)確率為98%［5］。鄧小玲等采用基于無(wú)人機(jī)遙感的BP神經(jīng)網(wǎng)絡(luò)結(jié)合XgBoost算法對(duì)柑橘病害進(jìn)行分類(lèi)，準(zhǔn)確率達(dá)95%［6］。Deng等提出一種基于高光譜反射率的機(jī)器學(xué)習(xí)算法，對(duì)田間柑橘黃龍病進(jìn)行無(wú)損檢測(cè)［7］。Huang等基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)小麥葉銹病進(jìn)行分類(lèi)，總體準(zhǔn)確率和標(biāo)準(zhǔn)誤差分別為91.43%和0.83%［8］。謝軍等將ResNet模型經(jīng)過(guò)二次遷移后對(duì)稀疏樣本的茶樹(shù)病害進(jìn)行識(shí)別，驗(yàn)證樣本識(shí)別率為98%［9］。王利偉等利用數(shù)字圖像處理和支持向量機(jī)技術(shù)對(duì)葡萄的白粉病、黑腐病、霜霉病進(jìn)行分類(lèi)，識(shí)別正確率為95%［10］。還有學(xué)者針對(duì)深度學(xué)習(xí)在水稻病害識(shí)別領(lǐng)域開(kāi)展研究，姜敏等將FasterR-CNN應(yīng)用于水稻病蟲(chóng)害檢測(cè)中，準(zhǔn)確率在90%以上［11］。楊穎等提出基于方向梯度直方圖與局部二值模式混合特征結(jié)合支持向量機(jī)的水稻病蟲(chóng)害識(shí)別方法，檢出率可達(dá)90.7%［12］。Rahman等提出一種兩階段小型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，收集1 426張圖片用于識(shí)別水稻病蟲(chóng)害，精確度達(dá)93.3%［13］。Zhang等采用基于swin變換的水稻病害識(shí)別方法，準(zhǔn)確率達(dá)93.4%［14］。Krishnamoorthy等提出一種InceptionResNetV2神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)水稻葉片疾病，準(zhǔn)確率為95.67%［15］。另外，在深度學(xué)習(xí)領(lǐng)域，非平衡數(shù)據(jù)集對(duì)模型結(jié)果影響巨大，針對(duì)非平衡數(shù)據(jù)集識(shí)別準(zhǔn)確率低的問(wèn)題，Lin等于2020年提出Focal Loss損失函數(shù)，用來(lái)解決一階段（one-stage）目標(biāo)檢測(cè)任務(wù)中因正負(fù)樣本比例不平衡導(dǎo)致檢測(cè)準(zhǔn)確率低的問(wèn)題，該損失函數(shù)通過(guò)減少大量簡(jiǎn)單負(fù)樣本在訓(xùn)練中所占的權(quán)重來(lái)改善目標(biāo)檢測(cè)效果［16］。上述學(xué)者針對(duì)植物病害識(shí)別的研究雖然取得了不錯(cuò)的效果，但是針對(duì)水稻病害識(shí)別的研究仍然存在準(zhǔn)確率不夠高，研究的水稻病害種類(lèi)少，且未對(duì)主流神經(jīng)網(wǎng)絡(luò)在水稻病害識(shí)別上的效果進(jìn)行對(duì)比。本研究融合Focal Loss損失函數(shù)與4種優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)MobileNetV2、ResNet50、ResNet101、VGG16，在非平衡數(shù)據(jù)集上對(duì)7種常見(jiàn)水稻病害進(jìn)行分類(lèi)，對(duì)訓(xùn)練出的4種水稻病害識(shí)別模型的收斂速度，識(shí)別效果進(jìn)行對(duì)比［17-19］，以探究一種可自動(dòng)、準(zhǔn)確識(shí)別水稻病害的方式，并為智慧農(nóng)業(yè)和精準(zhǔn)農(nóng)業(yè)實(shí)踐提供參考。

1 材料與方法

1.1 材料

本研究數(shù)據(jù)集來(lái)源為自采集結(jié)合網(wǎng)絡(luò)圖片，網(wǎng)絡(luò)圖片來(lái)源為中國(guó)科學(xué)院合肥智能機(jī)械研究所智能研究組公開(kāi)的水稻數(shù)據(jù)集。自采集部分通過(guò)數(shù)碼相機(jī)與手機(jī)在不同時(shí)間、不同拍攝角度的自然光照下拍攝，以保證樣本多樣性，拍攝地點(diǎn)位于華南農(nóng)業(yè)大學(xué)增城教學(xué)科研基地和廣東省佛山市三水區(qū)三水農(nóng)場(chǎng)，根據(jù)不同病害產(chǎn)生的時(shí)間，拍攝時(shí)間分布于2021年6—10月，拍攝后的圖片經(jīng)過(guò)篩選裁剪后得到原始圖片集，收集的圖片通過(guò)縮放、鏡像、翻轉(zhuǎn)、旋轉(zhuǎn)、平移、改變色度、高斯模糊等方式隨機(jī)組合對(duì)圖像進(jìn)行增強(qiáng)，增強(qiáng)效果見(jiàn)圖1。

圖像增強(qiáng)主要用于圖片庫(kù)的擴(kuò)增，防止因樣本量少而導(dǎo)致模型產(chǎn)生過(guò)擬合現(xiàn)象，增強(qiáng)模型的魯棒性，最終得到用于水稻病害識(shí)別的數(shù)據(jù)集，包括7種病害共14 947張圖片。其中，訓(xùn)練集13 543張，測(cè)試集1 404張，7種水稻病害類(lèi)型對(duì)應(yīng)圖片見(jiàn)圖2，每種病害所包含的圖片數(shù)量見(jiàn)表1。

1.2 方法

1.2.1 遷移學(xué)習(xí)

大規(guī)模的數(shù)據(jù)集是訓(xùn)練出優(yōu)秀模型的重要條件。遷移學(xué)習(xí)是指運(yùn)用已有（源領(lǐng)域）知識(shí)求解不同但相關(guān)領(lǐng)域（目標(biāo)領(lǐng)域）問(wèn)題的一種新的機(jī)器學(xué)習(xí)方法。運(yùn)用遷移學(xué)習(xí)可以在少量水稻病害數(shù)據(jù)的條件下訓(xùn)練出精準(zhǔn)的水稻病害識(shí)別模型。遷移學(xué)習(xí)可分為3類(lèi)：基于權(quán)重的遷移學(xué)習(xí)、基于特征選擇的遷移學(xué)習(xí)、基于特征映射的遷移學(xué)習(xí)［20］。

1.2.2 損失函數(shù)優(yōu)化

深度學(xué)習(xí)領(lǐng)域的傳統(tǒng)損失函數(shù)為交叉熵?fù)p失函數(shù)，交叉熵?fù)p失函數(shù)計(jì)算公式為

模型經(jīng)過(guò)1個(gè)batch訓(xùn)練并激活后，結(jié)果通過(guò)softmax歸一化為概率值輸出， 代表圖像預(yù)測(cè)為每個(gè)類(lèi)別的概率，在公式（1）中用p表示，p在0～1之間，取最大概率類(lèi)別為預(yù)測(cè)類(lèi)別。y=1表示該圖片的真實(shí)類(lèi)別，由公式（1）可得出交叉熵?fù)p失函數(shù)對(duì)于正樣本（y=1）而言，p越大，表示正樣本越容易分類(lèi)，其損失值越小；對(duì)于負(fù)樣本而言（其他），p越小表示負(fù)樣本越容易分類(lèi)，其損失值越小，此時(shí)的損失函數(shù)在大量簡(jiǎn)單樣本（易分類(lèi)）的迭代過(guò)程中緩慢變化，難以達(dá)到最優(yōu)；另外，在深度學(xué)習(xí)領(lǐng)域，樣本均勻性對(duì)模型結(jié)果影響巨大，當(dāng)樣本分布失衡時(shí)，損失函數(shù)也會(huì)隨之傾斜，由于損失函數(shù)的傾斜，模型在訓(xùn)練過(guò)程中會(huì)側(cè)重于樣本量多的類(lèi)別，導(dǎo)致模型對(duì)樣本量少的類(lèi)別識(shí)別效果變差。

Focal Loss損失函數(shù)可解決上述2個(gè)問(wèn)題，計(jì)算公式分別為

驗(yàn)證一：γ能夠有效降低易分類(lèi)樣本的Loss值；僅考慮γ不考慮at，對(duì)于易分類(lèi)正例樣本，假設(shè)為 p=0.98，γ=2。

可以驗(yàn)證γ能夠有效降低易分類(lèi)樣本的Loss值，易分類(lèi)樣本的概率越大效果越好。

驗(yàn)證二：at能增加稀疏樣本的損失權(quán)重。假設(shè)負(fù)樣本數(shù)為100 000，pt=0.94；正樣本數(shù)為10，pt=0.06，at=0.8，γ=2，結(jié)合交叉熵?fù)p失函數(shù)。

負(fù)樣本：-lgpt×樣本數(shù)=0.026 9×100 000=2 690；

正樣本：-lgpt×樣本數(shù)=1.221 8×10=12（保留整數(shù)）；

總和Loss=2 690+12=2 702；

正樣本占比=12/2 702=0.004 4。

結(jié)合Focal Loss損失函數(shù)。

負(fù)樣本：-at（1-pt）γ（lgpt）×樣本數(shù)=0.8×（1-0.94）2×0.026 9×100 000=7.747 2；

正樣本：-at（1-p）γ（lgpt）×樣本數(shù)=0.8×（1-0.06）2×1.221 8×10=8.636 6；

正負(fù)樣本損失總和Sum Loss=8.636 6+7.747 2=16.383 8；

正樣本占比=8.636 6/16.383 8=0.527 1（相比0.004 4增加明顯）。

可以驗(yàn)證at能夠增加數(shù)量較少樣本的損失權(quán)重。

1.2.3 ResNet

對(duì)于傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)，模型準(zhǔn)確率會(huì)隨著網(wǎng)絡(luò)層數(shù)的持續(xù)加深，先不斷上升、達(dá)到飽再下降，這是因?yàn)閭鹘y(tǒng)的卷積層和全連接層在信息傳遞時(shí)時(shí)常存在信息丟失的問(wèn)題，ResNet可以解決該問(wèn)題。ResNet網(wǎng)絡(luò)由大小不同的殘差塊構(gòu)成（圖3）。將原始輸入信息經(jīng)過(guò)旁路支線(xiàn)連接到后續(xù)層，即shortcut結(jié)構(gòu)，使得后續(xù)層可以直接學(xué)習(xí)殘差，通過(guò)特征映射的方法緩解梯度消失的問(wèn)題，其中第1層的1×1卷積對(duì)特征矩陣進(jìn)行降維操作，將特征矩陣的深度由256降為64，第3層的1×1的卷積對(duì)特征矩陣進(jìn)行升維操作，將特征矩陣的深度由64升維到256，使得輸入和輸出特征矩陣形狀相同以便相加。ResNet系列網(wǎng)絡(luò)結(jié)構(gòu)名稱(chēng)后綴的數(shù)字表示卷積層和全連接層層數(shù)，殘差網(wǎng)絡(luò)50（ResNet50）和殘差網(wǎng)絡(luò)101（ResNet101）的完整網(wǎng)絡(luò)層次見(jiàn)表2。

1.2.4 MobileNetV2 MobileNetV2是一種輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是采用深度可分離卷積替換普通卷積，引入線(xiàn)性瓶頸和倒殘差來(lái)提高網(wǎng)絡(luò)的表征能力，倒殘差模塊（bottleneck）見(jiàn)圖4。先通過(guò)1×1的卷積將特征圖的通道擴(kuò)張（升維），經(jīng)過(guò) 3×3的深度卷積提取特征，再經(jīng)過(guò)1×1的卷積將特征圖壓縮（降維），由于非線(xiàn)性激活函數(shù)ReLu6在負(fù)半軸為0（圖5），輸入特征若為負(fù)數(shù)，該通道的特征會(huì)被清零，在降維階段特征已經(jīng)經(jīng)過(guò)壓縮，如果使用ReLu6激活函數(shù)，則會(huì)進(jìn)一步損失特征信息，故在降維階段引入線(xiàn)性激活函數(shù)（linear）代替ReLu6激活函數(shù)。由于從輸入到輸出會(huì)損失部分特征圖信息，故將輸入與輸出特征圖相加，整體形成“兩頭小，中間大”的結(jié)構(gòu)，與Resnet殘差模塊“兩頭大，中間小”的結(jié)構(gòu)相反，呈倒置結(jié)構(gòu)，故稱(chēng)其為倒殘差。MobileNetV2的完整網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)表3，其中：t表示倒殘差結(jié)構(gòu)中1×1卷積相比輸入通道升維的倍率；c表示輸出特征矩陣的通道數(shù)channel；n表示倒殘差模塊的重復(fù)次數(shù)；s表示第1個(gè)倒殘差模塊中DW卷積的步長(zhǎng)；后續(xù)重復(fù)的倒殘差模塊步長(zhǎng)均為1。

1.2.5 VGG16 由圖6可知，該網(wǎng)絡(luò)的構(gòu)建方法為重復(fù)堆疊3×3的小型卷積核和2×2的最大池化層，該方法比單獨(dú)使用1個(gè)卷積層擁有更多的非線(xiàn)性變換，同時(shí)比單獨(dú)使用1個(gè)大的卷積核參數(shù)量更少。卷積層實(shí)現(xiàn)特征提取，池化層將特征圖長(zhǎng)度和寬度壓縮為原來(lái)的1/2，全連接層將分布式特征映射到樣本標(biāo)記空間，以減少特征位置對(duì)分類(lèi)的影響，softmax層將分類(lèi)結(jié)果歸一化為概率值。

1.2.6 本研究采用的方法 本研究采用基于權(quán)重的遷移學(xué)習(xí)方法，分別采用ResNet50、ResNet101、MobileNetV2、VGG16作為特征提取骨干，將其在ImageNet數(shù)據(jù)集上訓(xùn)練出的權(quán)重作為水稻病害識(shí)別的預(yù)訓(xùn)練權(quán)重，進(jìn)行遷移學(xué)習(xí)，采用的4種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)均融合Focal Loss作為損失函數(shù)，對(duì)比4種網(wǎng)絡(luò)結(jié)構(gòu)在水稻病害識(shí)別效果上的差異。

2 結(jié)果與分析

2.1 試驗(yàn)環(huán)境

本試驗(yàn)基于Python和TensorFlow的Keras框架搭建模型，采用Windows10操作系統(tǒng)，GPU為NVIDIA GRID T4-16Q，顯存15 G，CPU型號(hào)為Intel Xeon Gold 6130 CPU @ 2.10 GHZ，內(nèi)存64 G。設(shè)置模型迭代次數(shù)（epoch）為100，監(jiān)測(cè)測(cè)試集損失值（val_loss），如果連續(xù)迭代10次，測(cè)試集損失值仍不下降，說(shuō)明模型已經(jīng)收斂，則設(shè)置早停；批次大小設(shè)置為16；ResNet50、ResNet101和MobileNetV2初始學(xué)習(xí)率設(shè)為0.001，VGG16初始學(xué)習(xí)率為0.000 1，并對(duì)學(xué)習(xí)率設(shè)置動(dòng)態(tài)調(diào)整，通過(guò)監(jiān)測(cè)測(cè)試集損失值的變化自動(dòng)調(diào)整學(xué)習(xí)率，具體規(guī)則設(shè)置為如果連續(xù)迭代3個(gè)世代，測(cè)試集損失值仍未下降，則自動(dòng)將學(xué)習(xí)率以0.5倍的系數(shù)下降；使用TennsorBoard監(jiān)測(cè)訓(xùn)練集精確度（acc）、損失值（loss）、學(xué)習(xí)率（lr）、驗(yàn)證集精確度（val_acc）、驗(yàn)證集損失值（val_loss）的變化情況。

2.2 試驗(yàn)設(shè)計(jì)

為了對(duì)比4種模型訓(xùn)練速度及識(shí)別效果的差異，4種模型的數(shù)據(jù)集均保持一致，輸入模型的數(shù)據(jù)尺寸統(tǒng)一為224像素×224像素，通道數(shù)為3，損失函數(shù)保持一致，在相同硬件條件下對(duì)不同模型進(jìn)行對(duì)比試驗(yàn)。將13 543張水稻病害圖片按照分層抽樣的規(guī)則以9 ∶1的比例劃分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集和驗(yàn)證集參與模型的訓(xùn)練過(guò)程，1 404張水稻病害圖片作為測(cè)試集，測(cè)試集僅用于評(píng)價(jià)模型精度。

2.3 試驗(yàn)結(jié)果與分析

2.3.1 模型在訓(xùn)練過(guò)程中指標(biāo)對(duì)比及分析 試驗(yàn)使用TensorBoard監(jiān)測(cè)模型訓(xùn)練過(guò)程中訓(xùn)練集精確度、訓(xùn)練集損失值、測(cè)試集精確度、測(cè)試集損失值的變化情況（圖7）。在模型訓(xùn)練的開(kāi)始階段，損失值和精確度波動(dòng)幅度較大，隨著訓(xùn)練的逐步進(jìn)行，模型精確度和損失值漸趨穩(wěn)定，損失值隨著訓(xùn)練的進(jìn)行逐步下降，精確度隨著訓(xùn)練的進(jìn)行逐步上升，驗(yàn)證集損失值和精確度波動(dòng)大于訓(xùn)練集，這是由于驗(yàn)證集樣本數(shù)量少于訓(xùn)練集樣本導(dǎo)致的。4種模型收斂速度對(duì)比顯示，MobileNetV2迭代45個(gè)epoch達(dá)到收斂狀態(tài)，ResNet50迭代35個(gè)epoch達(dá)到收斂狀態(tài)，ResNet101迭代53個(gè)epoch達(dá)到收斂狀態(tài)，VGG16迭代38個(gè)epoch達(dá)到收斂狀態(tài)，ResNet50收斂速度最快。

2.3.2 模型測(cè)試結(jié)果對(duì)比 采用精確率（P）、召回率（R）、F1得分、top-1準(zhǔn)確率4個(gè)指標(biāo)來(lái)評(píng)價(jià)4種水稻病害識(shí)別模型在測(cè)試集的識(shí)別效果，其中top-1準(zhǔn)確率是指識(shí)別出的概率最大的分類(lèi)結(jié)果為正確結(jié)果的圖片數(shù)與該類(lèi)別圖片總數(shù)的比率。精確率（P）、召回率（R）、F1得分計(jì)算公式分別為

式中：TP是指模型將正樣本正確預(yù)測(cè)為正例的樣本數(shù)量；TN是指模型將負(fù)樣本正確預(yù)測(cè)為負(fù)例的樣本數(shù)量；FP是指模型將負(fù)樣本錯(cuò)誤預(yù)測(cè)為正例的樣本數(shù)量；FN是指模型將正樣本錯(cuò)誤預(yù)測(cè)為負(fù)例的樣本數(shù)量。

由表4可知，ResNet50和VGG16的精確率、召回率和F1得分整體高于MobilenetV2和ResNet101，在7種水稻病害的識(shí)別任務(wù)中，紋枯病的識(shí)別精確率、召回率、F1得分整體高于其他6種病害，識(shí)別效果最好。測(cè)得各模型的top-1準(zhǔn)確率見(jiàn)表5，其中ResNet50的top-1準(zhǔn)確率最高。

3 討論與結(jié)論

在本研究搭建的數(shù)據(jù)集中，ResNet50、ResNet101、MobileNetV2和VGG16作為特征提取骨干訓(xùn)練出的模型top-1的準(zhǔn)確率分別為98.06%、94.26%、92.47%、97.83%，模型達(dá)到收斂所需訓(xùn)練世代數(shù)分別為35、53、45、38。綜合精確率、召回率、F1得分與收斂速度，ResNet50模型性能整體優(yōu)于ResNet101、MobileNetV2和VGG16。本研究可以解決現(xiàn)有針對(duì)水稻病害研究種類(lèi)少、準(zhǔn)確率不高、傳統(tǒng)水稻病害分類(lèi)方法效率低、人工成本高等問(wèn)題，使用本研究訓(xùn)練出的模型，無(wú)需水稻病害專(zhuān)業(yè)知識(shí)即可實(shí)現(xiàn)田間水稻病害的自動(dòng)識(shí)別，不僅可以提高智慧農(nóng)業(yè)水平，且在實(shí)際生產(chǎn)中有助于農(nóng)業(yè)人員及時(shí)采取針對(duì)性的防治措施避免水稻減產(chǎn)，實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)。未來(lái)的研究方向?yàn)樗鞠x(chóng)害分類(lèi)任務(wù)，以豐富水稻病蟲(chóng)害分類(lèi)數(shù)據(jù)集，解決因蟲(chóng)害防治不及時(shí)導(dǎo)致的水稻減產(chǎn)問(wèn)題。

參考文獻(xiàn)：

［1］呂 明，李鷹航，冉小琴，等. 推進(jìn)南方水稻機(jī)械化種植工作思考和建議［J］. 農(nóng)業(yè)機(jī)械，2022（5）：59-62，65.

［2］袁 媛，陳 雷，吳 娜，等. 水稻紋枯病圖像識(shí)別處理方法研究［J］. 農(nóng)機(jī)化研究，2016，38（6）：84-87，92.

［3］Bikash C，Mohammad S U，Md K S，et al. Tea leaf diseases recognition using neural network ensemble［J］. International Journal of Computer Applications，2015，114（17）：27-30.

［4］Astani M，Hasheminejad M，Vaghefi M. A diverse ensemble classifier for tomato disease recognition［J］. Computers and Electronics in Agriculture，2022，198：107054.

［5］徐振南，王建坤，胡益嘉，等. 基于MobileNetV3的馬鈴薯病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（10）：176-182.

［6］鄧小玲，曾國(guó)亮，朱梓豪，等. 基于無(wú)人機(jī)高光譜遙感的柑橘患病植株分類(lèi)與特征波段提?。跩］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：100-108.

［7］Deng X L，Huang Z X，Zheng Z，et al. Field detection and classification of citrus Huanglongbing based on hyperspectral reflectance［J］. Computers and Electronics in Agriculture，2019，167：1-7.

［8］Huang H S，Deng J Z，Lan Y B，et al. Detection of helminthosporium leaf blotch disease based on UAV imagery［J］. Applied Sciences，2019，9（3）：558.

［9］謝 軍，江朝暉，李 博，等. 基于二次遷移模型的小樣本茶樹(shù)病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（6）：176-182.

［10］王利偉，徐曉輝，蘇彥莽，等. 基于計(jì)算機(jī)視覺(jué)的葡萄葉部病害識(shí)別研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2017，45（23）：222-225.[HJ2mm]

［11］姜 敏，沈一鳴，張敬堯，等. 基于深度學(xué)習(xí)的水稻病蟲(chóng)害診斷方法研究［J］. 洛陽(yáng)理工學(xué)院學(xué)報(bào)（自然科學(xué)版），2019，29（4）：78-83.

［12］楊 穎，文小玲，章秀華. 基于方向梯度直方圖和局部二值模式混合特征的水稻病蟲(chóng)害識(shí)別方法研究［J］. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，55（6）：1089-1096.

［13］Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.

［14］Zhang Z H，Gong Z J，Hong Q Q，et al. Swin-transformer based classification for rice diseases recognition［C］//2021 International Conference on Computer Information Science and Artificial Intelligence.Kunming，2021：153-156.

［15］Krishnamoorthy N，Prasad L，Kumar C，et al. Rice leaf diseases prediction using deep neural networks with transfer learning［J］. Environmental Research，2021，198：111275.

［16］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（2）：318-327.

［17］Sandler M，Howard A，Zhu M L，et al. MobileNetV2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake，2018：4510-4520.

［18］Shafiq M，Gu Z Q. Deep residual learning for image recognition：a survey［J/OL］. Applied Sciences，2022，12（18）.（2022-08-09）［2023-01-20］. https：//www.mdpi.com/2076-3417/12/18/8972.

［19］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. International Conference on Learning Representations，2015，1409（1）：1-14.

［20］莊福振，羅 平，何 清，等. 遷移學(xué)習(xí)研究進(jìn)展［J］. 軟件學(xué)報(bào)，2015，26（1）：26-39.

收稿日期：2022-09-09

基金項(xiàng)目：華南農(nóng)業(yè)大學(xué)-碧桂園校地校企合作項(xiàng)目；廣東省引進(jìn)領(lǐng)軍人才項(xiàng)目（編號(hào)：2016LJ06G689）；廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃（編號(hào)：2019B020214003）；高等學(xué)校學(xué)科創(chuàng)新引智計(jì)劃（編號(hào)：D18019）；嶺南現(xiàn)代農(nóng)業(yè)實(shí)驗(yàn)室科研項(xiàng)目（編號(hào)：NT2021009）。

作者簡(jiǎn)介：楊非凡（1994—），女，陜西咸陽(yáng)人，碩士研究生，主要從事計(jì)算機(jī)視覺(jué)與無(wú)人機(jī)遙感研究。E-mail：1653669244@qq.com。

通信作者：蘭玉彬，博士，教授，博士生導(dǎo)師，主要從事精準(zhǔn)農(nóng)業(yè)航空與遙感技術(shù)研究。E-mail：ylan@scau.edu.cn。