張會(huì)敏 謝澤奇

摘要：黃瓜病害識(shí)別是病害防治的提前。針對(duì)現(xiàn)有作物病害識(shí)別方法中存在實(shí)體關(guān)系交叉關(guān)聯(lián)、多源異構(gòu)數(shù)據(jù)聚合能力差、依靠大規(guī)模標(biāo)注數(shù)據(jù)、缺乏專家經(jīng)驗(yàn)知識(shí)指導(dǎo)等問(wèn)題，提出一種知識(shí)圖譜與深度學(xué)習(xí)的黃瓜葉部病害識(shí)別方法（KGCNN）。該方法通過(guò)知識(shí)圖譜與實(shí)體鏈接消歧嵌入獲取作物病害知識(shí)圖譜中的結(jié)構(gòu)化病害知識(shí)，并將病害特征詞向量與知識(shí)實(shí)體向量作為卷積神經(jīng)網(wǎng)絡(luò)的多通道輸入，在卷積過(guò)程中從知識(shí)和語(yǔ)義2個(gè)層面表示不同病害類型。與現(xiàn)有的作物葉部病害識(shí)別方法相比，該方法充分利用了知識(shí)圖譜和CNN分別在知識(shí)表示和特征學(xué)習(xí)方面的優(yōu)勢(shì)。在由黃瓜白粉病、斑點(diǎn)病和角斑病的病害葉片及其對(duì)應(yīng)的環(huán)境氣候氣象信息的數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明該方法的識(shí)別性能優(yōu)于基于CNN及其改進(jìn)模型和其他病害識(shí)別方法。該方法適用于作物初步病害識(shí)別，可為其他作物病害的識(shí)別提供技術(shù)支持。

關(guān)鍵詞：知識(shí)圖譜；卷積神經(jīng)網(wǎng)絡(luò)；作物病害識(shí)別；數(shù)據(jù)融合；黃瓜

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

文章編號(hào)：1002-1302（2023）15-0173-06

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：62072378）；河南省教育廳高等學(xué)校重點(diǎn)科研項(xiàng)目（編號(hào)：20A520045）。

作者簡(jiǎn)介：張會(huì)敏（1981—），女，河南漯河人，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)應(yīng)用與圖像處理。E-mail：513102773@qq.com。

通信作者：謝澤奇，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)應(yīng)用。E-mail：xzq0413@163.com。

黃瓜病害嚴(yán)重降低了黃瓜的數(shù)量和質(zhì)量。及時(shí)、準(zhǔn)確地檢測(cè)和識(shí)別黃瓜病害具有重要意義。事實(shí)上，黃瓜病害的大部分癥狀首先表現(xiàn)在葉片上，不同類型的病害導(dǎo)致不同的葉片癥狀。因此，葉片癥狀是作物葉部病害檢測(cè)和識(shí)別的主要依據(jù)［1-3］。傳統(tǒng)的黃瓜葉部病害識(shí)別方法的性能依賴于提取的手工特征，如顏色直方圖、共現(xiàn)矩陣、尺度不變特征變換（SIFT）、和差直方圖（ISADH）、局部二值模式（LBP）、面向梯度的金字塔直方圖（PHOG）、空間灰度依賴矩陣（SGDM）、顏色結(jié)構(gòu)描述符（CSD）、可擴(kuò)展的顏色描述符（SCD）和顏色布局描述符（CLD）［4-6］。這些特征不足以準(zhǔn)確可靠地描述病害癥狀，因?yàn)椴『θ~片圖像的顏色、形狀和紋理非常復(fù)雜，同類病害的不同葉片甚至同一葉片的病害癥狀在不同時(shí)期的差異很大，如圖1所示，同類病害葉片和不同類病害葉片的癥狀差異較大，所以傳統(tǒng)基于特征提取的方法的識(shí)別率不高、泛化性不強(qiáng)［7-10］。

近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）及其改進(jìn)模型在作物葉部病害識(shí)別中取得了很高的識(shí)別率［11-13］。CNN能夠自動(dòng)學(xué)習(xí)病害葉片圖像的分類特征，避免了提取人工設(shè)計(jì)的特征的主觀性［14-15］。但是，CNN及其改進(jìn)模型通過(guò)大規(guī)模標(biāo)注樣本訓(xùn)練模型中的大量參數(shù)，訓(xùn)練時(shí)間很長(zhǎng)，而且需要較強(qiáng)的算力［16-17］。為了解決這一問(wèn)題，有學(xué)者將知識(shí)圖譜（KG）引入到CNN中，取得了顯著效果［18-19］。KG是大數(shù)據(jù)和人工智能時(shí)代興起的一種新型知識(shí)組織和管理技術(shù)，具有機(jī)器可理解的知識(shí)和信息挖掘能力。將海量多源異構(gòu)數(shù)據(jù)整合、整理、標(biāo)準(zhǔn)化納入知識(shí)服務(wù)系統(tǒng)，可以提高知識(shí)檢索、知識(shí)問(wèn)答、決策支持、知識(shí)可視化等服務(wù)效果，增強(qiáng)知識(shí)服務(wù)能力［20-21］。利用蘊(yùn)含于KG中的知識(shí)指導(dǎo)深度學(xué)習(xí)從而提升其性能，已成為深度學(xué)習(xí)應(yīng)用研究的重要問(wèn)題之一。本研究提出一種基于知識(shí)圖譜與深度學(xué)習(xí)的黃瓜葉部病害識(shí)別方法，以期為黃瓜葉部病害的識(shí)別提供技術(shù)支持。

1 材料與方法

1.1 數(shù)據(jù)與預(yù)處理

構(gòu)建黃瓜白粉病、斑點(diǎn)病和角斑病的病害葉片圖像及其對(duì)應(yīng)的環(huán)境氣候氣象信息的數(shù)據(jù)集，數(shù)據(jù)來(lái)源：（1）國(guó)家農(nóng)業(yè)科學(xué)數(shù)據(jù)共享中心的作物病蟲害數(shù)據(jù)庫(kù)，包含4 000多條農(nóng)業(yè)病蟲害信息；（2）從中國(guó)農(nóng)業(yè)網(wǎng)（http：//www.agronet.com.cn/）下載的黃瓜白粉病、斑點(diǎn)病和角斑病圖像各100幅；（3）中國(guó)作物種質(zhì)信息網(wǎng)-作物病蟲害知識(shí)網(wǎng)站（http：//www.cgris.net/disease/default.html）。

本研究采用Python語(yǔ)言的Scrapy框架爬取相應(yīng)的有用數(shù)據(jù)4 000條，包含發(fā)生發(fā)展的環(huán)境氣候氣象數(shù)據(jù)。這些數(shù)據(jù)和圖像通常包含大量非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，一般是海量、冗余、含噪數(shù)據(jù)，直接利用原始數(shù)據(jù)可能降低KG質(zhì)量，所以需通過(guò)數(shù)據(jù)清洗。可以結(jié)合規(guī)則和人工審核以及結(jié)合農(nóng)業(yè)病蟲害領(lǐng)域?qū)I(yè)知識(shí)等方式對(duì)爬取的數(shù)據(jù)進(jìn)行預(yù)處理，得到無(wú)噪純文本語(yǔ)料，保證數(shù)據(jù)可靠性。非結(jié)構(gòu)化信息抽取主要包括實(shí)體抽取與關(guān)系抽取，可以利用自然語(yǔ)言處理工具NLPIR漢語(yǔ)分詞系統(tǒng)分詞，然后標(biāo)注文本中詞匯的詞性，最后依據(jù)詞性來(lái)識(shí)別相應(yīng)的實(shí)體和實(shí)體屬性。結(jié)構(gòu)化數(shù)據(jù)通過(guò)D2R進(jìn)行處理，最后存儲(chǔ)為Neo4j圖形數(shù)據(jù)庫(kù)。圖2為本研究構(gòu)建的黃瓜葉部病害KG部分內(nèi)容。

1.2 三元組結(jié)構(gòu)和KG構(gòu)建

作物病害KG是現(xiàn)實(shí)世界中由作物病害實(shí)體、實(shí)體間關(guān)系相互連接起來(lái)所形成的一種圖譜網(wǎng)絡(luò)結(jié)構(gòu)，可用三元組表示：，其中 head和tail分別表示三元組的頭實(shí)體集和尾實(shí)體集，relation表示病害KG的關(guān)系集。本研究采用公開(kāi)的中文作物病害癥狀庫(kù)構(gòu)建病害KG，其實(shí)體集是由現(xiàn)有三元組數(shù)據(jù)頭實(shí)體與尾實(shí)體所在列合并得到，關(guān)系集是將現(xiàn)有關(guān)系所在列構(gòu)成。其中，作物病害實(shí)體作為病害KG中最基本的元素，主要由病害分布、癥狀特征、防治手段、病害發(fā)生發(fā)展的環(huán)境氣候氣象信息等構(gòu)成；關(guān)系（relation）存在于不同頭實(shí)體集尾實(shí)體集之間，主要包含病害癥狀等。

1.3 知識(shí)圖譜嵌入

KG嵌入是利用知識(shí)表示學(xué)習(xí)模型對(duì)KG中的實(shí)體和關(guān)系嵌入到一個(gè)數(shù)學(xué)空間來(lái)進(jìn)行學(xué)習(xí)，通過(guò)將head、tail 或relation映射到低維稠密向量空間來(lái)保存語(yǔ)義信息，進(jìn)而得到各實(shí)體向量表示，最后進(jìn)行計(jì)算和推理［22］。

知識(shí)表示學(xué)習(xí)模型TransE是關(guān)系庫(kù)向量化的基礎(chǔ)，可有效處理1 ∶1關(guān)系，主要適用于構(gòu)建作物病害知識(shí)圖譜。TransD包含通過(guò)映射矩陣聯(lián)系的實(shí)體空間和關(guān)系空間，映射矩陣簡(jiǎn)化為2個(gè)向量的積。根據(jù)word2vec模型原理，將每個(gè)三元組中的關(guān)系是從實(shí)體head翻譯到實(shí)體tail，再不斷調(diào)整h向量、r向量和t 向量，實(shí)現(xiàn)h+r≈t。數(shù)學(xué)上通過(guò)對(duì)實(shí)體和關(guān)系建模，將它們映射到相同的向量空間中。通過(guò)使用2個(gè)投影矩陣Mrh和Mrt將頭實(shí)體h和尾實(shí)體t分別映射到關(guān)系空間，通過(guò)公式（1）來(lái)約束對(duì)實(shí)體和關(guān)系建模：

在TransD中，鑒于語(yǔ)義上越接近的詞匯，在其映射時(shí)得到的實(shí)數(shù)向量也越接近，因此，還需要計(jì)算其所有上下文實(shí)體的平均值，其計(jì)算過(guò)程如下：

針對(duì)復(fù)雜關(guān)系的作物病害KG，下面采用TransD模型對(duì)三元組數(shù)據(jù)進(jìn)行嵌入，其過(guò)程如圖3所示。

1.4 基于KG與CNN的作物病害識(shí)別方法

基于KG與CNN的作物病害識(shí)別方法，記為KGCNN方法，包括3個(gè)部分：選取作物病害特征、提取結(jié)構(gòu)化知識(shí)以及訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。圖4為KGCNN的整體結(jié)構(gòu)。

主要過(guò)程表述如下。

（1）黃瓜病害特征選擇。黃瓜病害描述是病害癥狀、病害原因以及病害程度等的描述語(yǔ)句。為了快速識(shí)別與病害有關(guān)的關(guān)鍵詞，需要對(duì)病害文本數(shù)據(jù)進(jìn)行處理，包括數(shù)據(jù)清洗、特征標(biāo)注、病害識(shí)別等操作，同時(shí)刪除無(wú)用的字詞，從而得到與病害特征描述相關(guān)的病害特征關(guān)鍵詞。將由n個(gè)特征關(guān)鍵詞可以組成對(duì)應(yīng)的病害特征，可表示為x=［w1，w2，…，wn］，其中wi為每個(gè)病害特征詞轉(zhuǎn)換后的詞向量，主要為每一種病害語(yǔ)句使用CBOW （continuous bag-of-words）模型來(lái)實(shí)現(xiàn)轉(zhuǎn)換，即映射為d維表示向量w1：i∈Rd。

（3）黃瓜病害識(shí)別。將（2）中得到病害描述文本e（x）輸入給softmax分類器，計(jì)算出該病害文本 e（xk） 在在第k種病害上的輸出概率p（yk），并經(jīng)softmax歸一化后表示為

其中：si為輸出yi對(duì)應(yīng)的參數(shù)；bi為第i種病害對(duì)應(yīng)的偏置；n為作物病害類別的數(shù)量；bk為第k種病害對(duì)應(yīng)的偏置。

2 結(jié)果與分析

選擇的CNN為ALexNet模型，選擇病害圖像癥狀和環(huán)境氣候氣象特征為：（1）外觀形狀特征：病斑圖像的面積、周長(zhǎng)、圓形度、矩形度、偏心率、方向角、最小外接矩形面積和Hu的7個(gè)不變矩共14個(gè)形態(tài)學(xué)特征；（2）顏色特征：病斑圖像Ｒ、G、B的偏度、均值、峰值、標(biāo)準(zhǔn)差、方差等共15個(gè)顏色分類特征；（3）紋理特征：灰度共生矩陣法分別計(jì)算病斑區(qū)域的能量、熵、慣性矩、相關(guān)性、均值、方差等6個(gè)統(tǒng)計(jì)特征；（4）對(duì)應(yīng)的環(huán)境氣候氣象特征：土壤溫度、土壤濕度、是否連種、土壤鹽分、微生物含量、空氣溫濕度、降水量、雨日數(shù)、光照強(qiáng)度、CO2濃度、農(nóng)藥使用量和發(fā)病季節(jié)［23-26］。

1條數(shù)據(jù)是由1幅病害葉片圖像的以上形狀、顏色和紋理特征及其對(duì)應(yīng)的環(huán)境氣候氣象特征構(gòu)成，由此可以得到每種病害100條數(shù)據(jù)。為了驗(yàn)證本研究算法的有效性，試驗(yàn)于2022年11—12月在IBM服務(wù)器上進(jìn)行，實(shí)驗(yàn)環(huán)境：操作系統(tǒng)為Ubuntu、內(nèi)存32 G、CPU 11th Gen Intel CoreTM i7-1165G7 2.80 GHz，深度學(xué)習(xí)架構(gòu)為tersonflow 2.0，編程語(yǔ)言為Python 3.8。采用5-折交差驗(yàn)證法進(jìn)行試驗(yàn)，并與深度CNN （DCNN）［13］、全局池化空洞CNN（GPDCNN）［16］、基于動(dòng)態(tài)集成（DI）［25］和基于葉片圖像和環(huán)境信息（LIEI）［27］進(jìn)行比較，驗(yàn)證所提出的方法的有效性。

為更客觀地評(píng)估病害的檢測(cè)效果，引入檢測(cè)準(zhǔn)確率（precision）、召回率（recall）和平均分?jǐn)?shù)（F1）3個(gè)評(píng)估指標(biāo)，以測(cè)量檢測(cè)結(jié)果與實(shí)際標(biāo)記圖像之間的差異，計(jì)算如下：

其中，TP、TN、FP和FN分別是真陽(yáng)性（TP）、真陰性（TN）、假陽(yáng)性（FP）和假陰性（FN）的樣本數(shù)。精度范圍為（0，1），接近1意味著更好的預(yù)測(cè)。

在重復(fù)5-折交差驗(yàn)證試驗(yàn)20次。在每次5-折交差驗(yàn)證試驗(yàn)，每種病害的隨機(jī)選擇訓(xùn)練數(shù)據(jù)為80條，3種病害共240條用于構(gòu)建KG和訓(xùn)練所提出識(shí)別方法中的KGCNN模型，其余為測(cè)試數(shù)據(jù)，再利用公式（10）識(shí)別黃瓜病害類型，最后計(jì)算所有試驗(yàn)的平均值為試驗(yàn)結(jié)果。表1給出本研究提出的方法在3種黃瓜病害（斑點(diǎn)病、角斑病、白粉病）上的識(shí)別結(jié)果，表2為所提出的方法和4種比較方法的20次試驗(yàn)的平均識(shí)別率。DI的結(jié)果最差，其原因是動(dòng)態(tài)集成中用到的分類特征都為人工設(shè)計(jì)的特征，不能準(zhǔn)確描述病害的特征。

由表1可以看出，本研究提出的方法在3種常見(jiàn)的病害上識(shí)別準(zhǔn)確率都在92%以上，其中在斑點(diǎn)病上識(shí)別率最高，達(dá)到94.34%，平均識(shí)別率、召回率和F1分?jǐn)?shù)都在93%以上，滿足作物病害要求。

為了驗(yàn)證本模型的有效性和優(yōu)越性，將KGCNN模型與DCNN、基于動(dòng)態(tài)集成DI模型、GPDCNN模型、LIEI模型進(jìn)行對(duì)比，各模型的收斂曲線如圖5所示。從圖5可以看出，KGCNN模型在訓(xùn)練10個(gè)迭代之后趨于收斂，收斂速度與其他模型相比差別不大，并且KGCNN模型在識(shí)別率與訓(xùn)練時(shí)間上都更具有優(yōu)勢(shì)，充分體現(xiàn)該模型的有效性。因此，無(wú)論從模型性能還是訓(xùn)練效率均可證明基于KGCNN的黃瓜病蟲害命名實(shí)體識(shí)別方法的有效性和優(yōu)越性。

基于5種方法對(duì)3種黃瓜病害的平均識(shí)別率和標(biāo)準(zhǔn)差如表2所示。從表2中可以看出，基于KGCNN的黃瓜病害識(shí)別方法識(shí)別結(jié)果遠(yuǎn)優(yōu)于其他4種方法，其主要原因?yàn)楸狙芯克岢龅姆椒ǔ浞掷昧瞬『Φ南闰?yàn)知識(shí)，并通過(guò)KG能夠得到病害葉片圖像與病害癥狀之間的關(guān)聯(lián)關(guān)系，能夠從病害發(fā)生的環(huán)境氣候氣象信息中深度挖掘病害分類特征，具有判斷和推理性能，從而得到較好的識(shí)別結(jié)果；盡管LIEI也利用了病害的環(huán)境氣候氣象特征，但只是將這些特征拼接于病害葉片圖像特征中進(jìn)行病害識(shí)別。GPDCNN的識(shí)別效果高于DCNN，其原因是利用膨脹卷積層恢復(fù)空間分辨率，GPDCNN還集成了擴(kuò)張卷積和全局池化的優(yōu)點(diǎn)。在DI、LIEI和KGCNN方法中，首先需要對(duì)病害葉片圖像分割，得到病斑圖像，然后提出分類特征。而DCNN和GPDCNN直接利用了病害葉片圖像進(jìn)行病害識(shí)別。

3 結(jié)論

本研究利用黃瓜葉部病害圖像及其癥狀描述，探討了知識(shí)圖譜和深度學(xué)習(xí)在作物病害識(shí)別中的應(yīng)用，提出了一種基于知識(shí)圖譜和卷積神經(jīng)網(wǎng)絡(luò)的黃瓜病害識(shí)別方法。該方法引入病害知識(shí)圖譜知識(shí)，通過(guò)病害特征描述文本客觀數(shù)據(jù)來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，可以獲取到更直接更全面的病害特征描述，進(jìn)而提升模型快速獲取更全面的高層文本特征的能力，有效地提高各類作物病害識(shí)別的準(zhǔn)確率。試驗(yàn)結(jié)果表明，該方法能夠應(yīng)用于黃瓜病害識(shí)別系統(tǒng)。由于構(gòu)建大規(guī)模、可動(dòng)態(tài)更新的知識(shí)圖譜是一件復(fù)雜過(guò)程，但可以應(yīng)用于農(nóng)業(yè)領(lǐng)域的很多方面。下一步的研究工作重點(diǎn)在構(gòu)建一個(gè)利用農(nóng)業(yè)物聯(lián)網(wǎng)采集的海量環(huán)境氣候氣象信息，與病害葉片圖像相結(jié)合，對(duì)作物病害進(jìn)行識(shí)別與預(yù)測(cè)以及了解病害發(fā)生發(fā)展的機(jī)制。

參考文獻(xiàn)：

［1］Martinelli F，Scalenghe R，Davino S，et al. Advanced methods of plant disease detection：a review［J］. Agronomy for Sustainable Development，2015，35（1）：1-25.

［2］張 燕，田國(guó)英，楊英茹，等. 基于SVM的設(shè)施番茄早疫病在線識(shí)別方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（增刊1）：125-133，206.

［3］Zahid I，Attique K M，Muhammad S，et al. An automated detection and classification of citrus plant diseases using image processing techniques：a review ［J］. Computers and Electronics in Agriculture，2018，153：12-32.

［4］Fang Y，Ramasamy R P.Current and prospective methods for plant disease detection［J］. Biosensors，2015，4：537-561.

［5］Dubey S R，Jalal A S. Apple disease classification using color，texture and shape features from images ［J］. Signal Image & Video Processing，2016，10（5）：819-826.

［6］Bai X，Li X，F(xiàn)u Z，et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images ［J］. Computers and Electronics in Agriculture，2017，136：157-165.

［7］何 前，郭峰林，方皓正，等. 基于改進(jìn)LeNet-5模型的玉米病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：35-41.

［8］王權(quán)順，呂 蕾，黃德豐，等. 基于改進(jìn)YOLOv4算法的蘋果葉部病害缺陷檢測(cè)研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（11）：182-187.

［9］李鑫星，朱晨光，白雪冰，等. 基于可見(jiàn)光譜和支持向量機(jī)的黃瓜葉部病害識(shí)別方法研究［J］. 光譜學(xué)與光譜分析，2019，39（7）：2250-2256.

［10］Deepthi M B，Sreekantha D K. Application of expert systems for agricultural crop disease diagnoses：a review［C］//International Conference on Inventive Communication & Computational Technologies，2017：222-229.

［11］蔣清健，姚 勇，付志軍等. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)算法的番茄葉片病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：29-34.

［12］Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification［J］. Computational Intelligence and Neuroscience，2016，2016：3289801.

［13］Ma J，Du K，Zheng F，et al. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network［J］. Computers and Electronics in Agriculture，2018，154：18-24.

［14］Kamilaris A，Prenafeta-Boldu F X. A review of the use of convolutional neural networks in agriculture［J］. The Journal of Agricultural Science，2018，156（3）：312-322.

［15］AI-Saffar A A M，Tao H，Talab M A. Review of deep convolution neural network in image classification［C］//Proceedings of 2017 International Conference on Radar，Antenna，Microwave，Electronics，and Telecommunications.Jakarta，Indonesia，2017：26-31.

［16］Zhang S，Zhang S，Zhang C，et al. Cucumber leaf disease identification with global pooling dilated convolutional neural network［J］. Computers and Electronics in Agriculture，2019，162：422-430.

［17］張善文，王 振，王祖良. 多尺度融合卷積神經(jīng)網(wǎng)絡(luò)的黃瓜病害葉片圖像分割方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（16）：149-157.

［18］Fuentes A，Sang C K，Yoon S，et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition［J］. Sensors，2017，17（9）：2022-2043.

［19］吳賽賽，周愛(ài)蓮，謝能付，等. 基于深度學(xué)習(xí)的作物病蟲害可視化知識(shí)圖譜構(gòu)建［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（24）：177-185.

［20］董麗麗，程 炯，張 翔，等. 融合知識(shí)圖譜與深度學(xué)習(xí)的疾病診斷方法研究［J］. 計(jì)算機(jī)科學(xué)與探索，2020，14（5）：815-824.

［21］劉知遠(yuǎn)，韓 旭，孫茂松. 知識(shí)圖譜與深度學(xué)習(xí)［M］. 北京：清華大學(xué)出版社，2020：62-69.

［22］王海晏，江 濤，王 芳，等. 基于知識(shí)圖譜的目標(biāo)識(shí)別模型［J］. 探測(cè)與控制學(xué)報(bào)，2022，44（6）：76-80，86.

［23］王丹丹. 寧夏水稻知識(shí)圖譜構(gòu)建方法研究與應(yīng)用［D］. 銀川：北方民族大學(xué)，2020：28-40.

［24］李 頎，趙 潔，楊 柳，等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)和特征向量?jī)?yōu)化組合的黃瓜葉片病斑識(shí)別［J］. 浙江農(nóng)業(yè)學(xué)報(bào)，2019，31（3）：487-495.

［25］王志彬，王開(kāi)義，王書鋒，等. 基于動(dòng)態(tài)集成的黃瓜葉部病害識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（9）：46-52.

［26］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.

［27］王獻(xiàn)鋒，張善文，王 震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2014，3（14）：148-153.