譚彬 蔡健榮 許騫 孫力

摘要：柑橘是我國種植面積最大、產(chǎn)量最高的水果作物，對我國的經(jīng)濟發(fā)展具有重要作用。柑橘病蟲害侵染是導(dǎo)致柑橘產(chǎn)量及品質(zhì)下降的重要原因之一，高效、準(zhǔn)確的柑橘檢測技術(shù)對柑橘產(chǎn)業(yè)的發(fā)展具有重要意義。因此，本研究提出一種基于注意力機制改進卷積神經(jīng)網(wǎng)絡(luò)的柑橘病蟲害識別算法，以多尺度特征提取網(wǎng)絡(luò)Inception v3為基礎(chǔ)，在Inception結(jié)構(gòu)間加入CBAM注意力機制，構(gòu)建基于注意力機制的多尺度特征提取網(wǎng)絡(luò)；然后融合殘差注意力網(wǎng)絡(luò)，提升模型的整體性能，以實現(xiàn)對柑橘病蟲害的精準(zhǔn)識別。試驗結(jié)果表明，基于注意力機制改進卷積神經(jīng)網(wǎng)絡(luò)的柑橘病蟲害識別算法從通道和空間維度提高了對輸入有效特征的關(guān)注度，在融合殘差注意力網(wǎng)絡(luò)后，提高了模型的整體性能，實現(xiàn)對5種柑橘葉片（潰瘍病、潛葉蛾、黑點病、紅蜘蛛和健康葉片）的識別準(zhǔn)確率達(dá)到98.49%，比基礎(chǔ)模型提高4.02百分點，說明本研究提出的方法對柑橘病蟲害的識別效果較好。最后將模型進行部署，設(shè)計柑橘病蟲害識別系統(tǒng)，實現(xiàn)基于移動端的柑橘病蟲害智能檢測，為相關(guān)研究提供參考。

關(guān)鍵詞：柑橘病蟲害；圖像分類；注意力機制；深度學(xué)習(xí)；CBAM

中圖分類號：TP391.41? 文獻標(biāo)志碼：A

文章編號：1002-1302（2024）08-0176-07

收稿日期：2023-06-12

基金項目：國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項（編號：CARS-26）。

作者簡介：譚 彬（1997—），男，山東臨沂人，碩士研究生，從事圖像處理和無損檢測研究。E-mail：2670600717@qq.com。

通信作者：蔡健榮，博士，教授，從事食品、農(nóng)產(chǎn)品質(zhì)量快速無損檢測研究。E-mail：jrcai@ujs.edu.cn。

作為柑橘重要的原產(chǎn)地之一，我國國土資源豐富，柑橘品種多樣，同時具有悠久的種植歷史。如今柑橘已經(jīng)發(fā)展成為我國種植范圍最廣的水果作物之一，具有重要經(jīng)濟地位［1］。2021年柑橘年產(chǎn)量達(dá)到5 595.61萬t，為柑橘種植者帶來巨大的經(jīng)濟價值，同時為我國經(jīng)濟發(fā)展帶來巨大驅(qū)動力。隨著消費者需求和消費觀念的轉(zhuǎn)變，優(yōu)質(zhì)柑橘已經(jīng)成為廣大消費者最迫切的需求，但是由于病蟲害導(dǎo)致的柑橘果型及水平品質(zhì)的大幅下降嚴(yán)重降低了柑橘的銷售潛力，影響柑橘產(chǎn)業(yè)的發(fā)展［2］。因此急需進行柑橘病蟲害的檢測研究，以及針對病害做出預(yù)警，提高柑橘品質(zhì)，增強柑橘市場競爭力。

目前，針對農(nóng)作物病蟲害的檢測工作主要是以人工目視識別為主，存在效率低、技術(shù)人員具有較高的專業(yè)性等問題［3］。采用生物學(xué)的檢測方法需要專業(yè)檢測設(shè)備［4］，由專業(yè)檢測人員在實驗室操作，過程復(fù)雜、耗時長，而且成本較高，同樣不適用于大面積果園防治工作。隨著計算機技術(shù)的發(fā)展，使用傳統(tǒng)圖像處理技術(shù)對病害進行處理得到廣泛的應(yīng)用，研究人員通過對病斑區(qū)域的顏色、紋理和形狀等特征進行提?。?-7］，手動構(gòu)建病害識別模型，實現(xiàn)對病害的識別分類。Zhang等使用K-means聚類算法對黃瓜病害葉片圖像進行分割，提取顏色、形狀特征，使用稀疏表示法對黃瓜葉片圖像進行分類，總體準(zhǔn)確率為85.70%，但受到人為主觀選擇因素影響以及客觀試驗背景條件的限制，存在泛化性差等問題［8］。

隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的圖像智能識別研究取得較大的進展。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的一個重要組成部分，憑借其強大的自主目標(biāo)區(qū)域特征選擇以及自我學(xué)習(xí)能力，在農(nóng)作物病害識別領(lǐng)域應(yīng)用廣泛［9-15］。朱帥等通過在改進的殘差網(wǎng)絡(luò)中添加SE注意力模塊的方法，在部分PlantVillage數(shù)據(jù)集上達(dá)到99.40%的準(zhǔn)確率［16］。樊湘鵬等設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用L2正則化和Dropout策略優(yōu)化網(wǎng)絡(luò)，對復(fù)雜背景下的玉米9種病害實現(xiàn)97.10%的平均精度［17］。李慶盛等采用基于非對稱注意力機制殘差網(wǎng)絡(luò)方法對玉米病害圖像檢測達(dá)到97.25%的準(zhǔn)確率［18］。楊泳波等采用基于SE-Inception和膠囊網(wǎng)絡(luò)的方法對茄科病害進行識別，其識別精度達(dá)到95.20%［19］。賈兆紅等采用基于Res2Net和雙線性注意力的方法對7種番茄病害的平均識別準(zhǔn)確率達(dá)到98.66%［20］。黃林生等在殘差網(wǎng)絡(luò)的基礎(chǔ)上加入注意力機制SE-Net，提出了一種多尺度卷積結(jié)構(gòu)與注意力機制相結(jié)合的農(nóng)作物病害識別模型，并在復(fù)雜田間環(huán)境收集的8種農(nóng)作物病害數(shù)據(jù)集上實現(xiàn)95.62%的平均準(zhǔn)確率［21］。

上述研究表明，深度學(xué)習(xí)可以在圖像智能識別中取得積極的效果。考慮到柑橘病蟲害在不同時期和不同環(huán)境下病斑區(qū)域和尺寸大小不同，現(xiàn)有模型可能存在特征提取能力不足等問題。因此本研究基于當(dāng)前深度學(xué)習(xí)模型結(jié)構(gòu)，提出一種基于注意力機制改進卷積神經(jīng)網(wǎng)絡(luò)的柑橘病蟲害識別算法，利用通道注意力模塊和空間注意力模塊分別從不同的維度提高特征注意力，并融合2個模型的特征提取能力，最終實現(xiàn)較高的檢測精度。本研究通過在實際田間環(huán)境下拍攝柑橘葉片病蟲害圖像，自建柑橘葉片病蟲害數(shù)據(jù)集，以期為真實場景下的柑橘病蟲害識別應(yīng)用提供指導(dǎo)。

1 材料與方法

1.1 樣本獲取及數(shù)據(jù)采集

本研究以患有潰瘍?。╟anker）、潛葉蛾（leafminer）、黑點?。╩elanose）、紅蜘蛛（redspider）等病蟲害葉片和健康（health）葉片5種常見的柑橘葉片為研究對象，自建柑橘葉片病蟲害數(shù)據(jù)集，所有葉片在江西省贛州市柑桔研究所和浙江省柑桔研究所內(nèi)柑橘種植園獲取。使用智能手機分別在田間復(fù)雜環(huán)境下拍攝和實驗室內(nèi)單一環(huán)境下拍攝獲取實驗數(shù)據(jù)，并按照病害種類將圖像進行分類。本研究共收集251張潰瘍病葉片圖像，243張潛葉蛾葉片圖像，348張黑點病葉片圖像，350張紅蜘蛛葉片圖像，598張健康葉片圖像，共計1 790張圖像數(shù)據(jù)。柑橘各類別葉片如圖1所示。

1.2 圖像數(shù)據(jù)預(yù)處理

深度學(xué)習(xí)模型的性能表現(xiàn)一定程度上取決于訓(xùn)練數(shù)據(jù)的規(guī)模。本研究構(gòu)建的柑橘葉片病蟲害數(shù)據(jù)集的數(shù)量與訓(xùn)練模型所需要的數(shù)據(jù)量相比較小，容易出現(xiàn)過擬合現(xiàn)象，因此為提高模型的泛化能力，增強模型的魯棒性，防止模型過擬合，對柑橘葉片病蟲害數(shù)據(jù)集進行數(shù)據(jù)增強。本研究采用離線增強的方法［22］，通過旋轉(zhuǎn)、平移、改變亮度和增加高斯噪聲4種方式對樣本數(shù)據(jù)進行預(yù)處理，最終將原始數(shù)據(jù)擴充為原來的5倍。擴增后的數(shù)據(jù)按照6 ∶2 ∶2的比例劃分為訓(xùn)練集、驗證集和測試集，將所有輸入圖像尺寸調(diào)整為299×299×3，并對輸入數(shù)據(jù)進行歸一化處理。擴增前后數(shù)據(jù)分布見表1。

2 柑橘葉片病蟲害識別模型

2.1 注意力機制

卷積塊注意力模塊（convolutional block attention module，簡稱CBAM）是由通道注意力模塊（channel attention module，簡稱CAM）和空間注意力模塊（spartial attention module，簡稱SAM）等2個部分組成［23-24］ 。

通道注意力模塊如圖2所示，將輸入特征基于高度和寬度進行全局最大池化和全局平均池化操作后，經(jīng)過由多層感知機（MLP）組成的共享網(wǎng)絡(luò)，將輸出結(jié)果通過基于element_wise的加和操作，再經(jīng)過Sigmoid激活，得到通道注意力特征圖。

其過程如下式所示：

Mc（F）=σ{MLP［AvgPool（F）］+MLP［MaxPool（F）］}=σ{W1［W0（Fcavg）］+W1［W0（Fcmax）］}。（1）

其中，Mc（F）為通道注意力特征，σ為Sigmoid激活函數(shù)，F(xiàn)為輸入特征，MLP為多層感知機，AvgPool為平均值池化，MaxPool為最大值池化，W0和W1分別表示2個全連接層的權(quán)重參數(shù)，權(quán)重參數(shù)可以共享。

空間注意力模塊如圖3所示，其主要探討空間層面特征圖之間的內(nèi)在關(guān)系，利用特征的空間關(guān)系生成空間注意力圖，突出目標(biāo)區(qū)域的重要性。其操作是將CAM的輸出特征作為SAM的輸入，首先經(jīng)過基于通道的平均池化和最大池化得到2個1×H×W的特征圖，將其基于通道進行Concatenate操作后，經(jīng)過卷積核大小為7×7的卷積層獲得空間注意力特征圖。

其過程如下式所示：

Ms（F）=σ（f7×7{［AvgPool（F）；MaxPool（F）］}）

=σ（f7×7{［Fsavg；Fsmax］}）。（2）

其中，σ為Sigmoid激活參數(shù)，MLP為多層感知機，f為卷積操作，7×7為卷積核尺寸，Ms（F）為空間注意力特征。

2.2 模型結(jié)構(gòu)設(shè)計

由于柑橘病蟲害在不同的時期具有較大差異的葉面表征，實際環(huán)境下的光線照射以及拍攝角度等因素對使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的識別影響較大，造成識別準(zhǔn)確率不高，因此本研究提出一種基于注意力機制改進卷積神經(jīng)網(wǎng)絡(luò)的模型用于柑橘葉片病蟲害的識別研究。注意力機制可以得到不同特征維度的各自權(quán)重系數(shù)，然后將權(quán)重分布施加在原來的特征之上，幫助模型提高對輸入有效特征的關(guān)注度，抑制無效特征，提高網(wǎng)絡(luò)模型的表達(dá)能力。針對柑橘葉片不同的病害區(qū)域，CBAM注意力機制能夠更加關(guān)注葉片圖像中對病蟲害識別有意義的特征部分［25］。本研究選擇Inception v3網(wǎng)絡(luò)［26］，因其采用分解卷積，使用2個3×3卷積代替5×5卷積，并采用非分對稱卷積，將N×N卷積替換為成1×N和N×1卷積，在保持相同感受野的情況下可以減少計算量。為了更好地關(guān)注輸入有效特征，在不同的Inception結(jié)構(gòu)之間加入CBAM注意力機制模塊，得到基于注意力機制的多尺度特征提取網(wǎng)絡(luò)，以此實現(xiàn)提升每一個Inception模塊提取到的特征之間通道和空間注意力的效果。

針對柑橘病蟲害葉片復(fù)雜的病斑特征，可能存在單一網(wǎng)絡(luò)的特征提取能力不足，因此本研究選擇殘差網(wǎng)絡(luò)［27］，其將原始輸入特征跨通道連接到輸出，有效保證了輸出信息對原始數(shù)據(jù)輸入特征信息的準(zhǔn)確提取。本研究在ResNet34的所有殘差結(jié)構(gòu)中加入CBAM注意力機制模塊，構(gòu)建殘差注意力網(wǎng)絡(luò)（RCNet），然后使用Concatenate將基于注意力機制改進的2個子卷積網(wǎng)絡(luò)進行融合，使得融合后的模型表征能力實現(xiàn)有效提高。其中在改進網(wǎng)絡(luò)的尾部添加全局平均池化層，解決2個模型輸出尺寸不一致問題，并添加全連接層，使用Softmax分類器完成識別。柑橘病蟲害識別模型結(jié)構(gòu)見圖4。

3 試驗結(jié)果與分析

3.1 試驗平臺及訓(xùn)練參數(shù)

本試驗是在筆者自己制作的柑橘葉片病蟲害數(shù)據(jù)集上完成的。本試驗平臺為Windows 10 64bit操作系統(tǒng)，處理器為Intel Xren Platinum P-8124 CPU@3.00 GHz，內(nèi)存64 GB，GPU為NVIDIA GeForce RTX2080Ti，開發(fā)環(huán)境為Python 3.8，CUDA 11.1，試驗所用深度學(xué)習(xí)框架為Keras 2.4.3和TensorFlow 2.4.0，編譯軟件為Pycharm 2020.3.3 x64。

本試驗采用自適應(yīng)矩估計Adam，經(jīng)過反復(fù)測得最佳配置超參數(shù)：初始學(xué)習(xí)率0.001，學(xué)習(xí)率下降策略采用指數(shù)下降，損失函數(shù)為交叉熵?fù)p失函數(shù)，迭代次數(shù)為50次，批處理數(shù)量為32。其中指數(shù)下降為階梯狀衰減，學(xué)習(xí)率衰減因子為0.9。

3.2 評價指標(biāo)

對于圖像分類任務(wù)，采用準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1-score（F1值）和混淆矩陣作為實驗的評價指標(biāo)，實現(xiàn)對模型性能的評估。其中混淆矩陣可以直觀的展現(xiàn)模型在各類別上正確分類情況，通過混淆矩陣可以計算得出準(zhǔn)確率、精確率、召回率和F1值，各指標(biāo)計算公式如下所示。

Accuracy=TP+TNTP+TN+FP+FN；（3）

Precision=TPTP+FP；（4）

Recall=TPTP+FN；（5）

F1-score=2×Precision×RecallPrecision+Recall。（6）

3.3 模型性能分析

3.3.1 消融試驗

本研究提出的基于注意力機制改進卷積神經(jīng)網(wǎng)絡(luò)的柑橘病蟲害識別算法，為驗證該方法在柑橘葉片病蟲害數(shù)據(jù)集上的有效性，對模型進行消融試驗，分別使用Inception v3、Inception v3+CBAM、Inception v3+CBAM+RCNet，統(tǒng)一所有超參數(shù)在柑橘葉片病蟲害數(shù)據(jù)集上進行訓(xùn)練，采用準(zhǔn)確率作為評價指標(biāo)。試驗結(jié)果見表2，訓(xùn)練過程驗證精度曲線見圖5。

由表2可知，在基礎(chǔ)模型Inception v3網(wǎng)絡(luò)基礎(chǔ)上加入CBAM注意力機制，準(zhǔn)確率提升1.56百分點，說明不同的Inception模塊分別經(jīng)過通道注意力模塊和空間注意力模塊后，將使模型更加關(guān)注有效部分特征信息。在加入殘差注意力網(wǎng)絡(luò)（RCNet）后，模型的準(zhǔn)確率提升2.46百分點，說明融合2個模型的輸出特征將有效提升模型的特征提取能力，更好地提取柑橘病蟲害葉片特征，最終實現(xiàn)模型準(zhǔn)確率達(dá)到98.49%，相比基礎(chǔ)模型提升4.02百分點。

由圖5可知，與基礎(chǔ)Inception v3模型以及加入CBAM注意力機制的模型相比，經(jīng)過融合殘差注意力網(wǎng)絡(luò)的模型驗證精度更好，訓(xùn)練過程中的驗證準(zhǔn)確率曲線前期快速平穩(wěn)上升，振蕩幅度小，表明本試驗?zāi)Ｐ途哂休^高的穩(wěn)定性。

3.3.2 對比試驗

為更好地驗證本研究方法的整體性能，將本研究模型分別與VGG16、DenseNet201、ResNet34以及Inception v3進行對比試驗。由表3可知，在柑橘葉片病蟲害數(shù)據(jù)集上達(dá)到98.49%的識別準(zhǔn)確率，相比于Inception v3和ResNet34分別提升4.02、3.52百分點，與VGG16和DenseNet201相比也有較大的提升。因此，證明本研究方法所構(gòu)建的網(wǎng)絡(luò)模型在柑橘葉片病蟲害識別應(yīng)用中的識別效果更優(yōu)，綜合性能表現(xiàn)更好。

3.4 混淆矩陣分析

為進一步觀察各模型在柑橘葉片病蟲害測試集上的表現(xiàn)，通過混淆矩陣可以清晰地反映出各個模型對柑橘葉片不同類別病蟲害的識別表現(xiàn)?；煜仃囀且跃仃嚨男问綄⒄鎸嶎悇e和預(yù)測類別進行匯總，觀察混淆矩陣（圖6）發(fā)現(xiàn)，本試驗方法對柑橘葉片病蟲害的識別效果最好，被誤識別的數(shù)量最少。其中對潰瘍病的識別效果最優(yōu)，但在黑點病中有一部分葉片被誤識別為健康和紅蜘蛛，同時健康和紅蜘蛛中也存在一些被誤識別為黑點病的情況。這主要是因為這些病害病癥較輕，其葉片的葉面表征及像素分布較為相似，同時也說明病害的相似度會一定程度上影響模型的識別精度。

為進一步研究不同改進模型對柑橘葉片各類別病蟲害的具體識別差異，得出各類別病害的精確率、召回率和F1值。由表4可知，本研究方法在柑橘葉片病蟲害數(shù)據(jù)集上對各類別病害都有較高的F1值。其中對于潰瘍病的識別效果最好，識別精確率達(dá)到100%；在黑點病識別任務(wù)中各類指標(biāo)較低，這主要由于黑點病的病斑較小，圖像表征不明顯，容易造成誤判?？傮w上與其他改進模型相比，本研究方法在柑橘葉片病害識別中的各性能指標(biāo)表現(xiàn)較優(yōu)，表明該方法的試驗有效性，并為柑橘病蟲害的精準(zhǔn)識別提供技術(shù)支撐。

3.5 模型魯棒性分析

為進一步評估本研究方法的魯棒性，將本試驗方法應(yīng)用于PlantVillage農(nóng)作物公開數(shù)據(jù)集，其包含14種作物，38類病害，共計54 305張病害圖像。在此試驗中將本試驗方法與其他模型進行對比試驗，具體試驗結(jié)果見表5。與其他模型相比，本試驗方法在測試集的平均準(zhǔn)確率達(dá)到99.14%，表明本研究方法對PlantVillage公開農(nóng)作物病害數(shù)據(jù)集具有較好的識別效果，具有良好的魯棒性。

3.6 柑橘病害識別系統(tǒng)

將保存的模型進行加載，使用前向傳播部分進行推斷，經(jīng)過測試在使用GPU NVIDIA 1650（Compute capability：7.5）上，連續(xù)識別100張病害圖像需要29.48 s，平均每張耗時0.294 8 s，模型加載需要10.64 s。因此在系統(tǒng)啟動時就需要先完成模型加載，進行識別時可直接進行計算，減少計算時間。

本研究為實現(xiàn)田間柑橘病蟲害的快速準(zhǔn)確識別，使用Flask開發(fā)系統(tǒng)應(yīng)用，以獲得的柑橘病蟲害識別模型為基礎(chǔ)，設(shè)計網(wǎng)頁端柑橘病蟲害識別系統(tǒng)。用戶通過瀏覽器完成注冊后訪問該系統(tǒng)，即可使用系統(tǒng)相關(guān)功能。系統(tǒng)主要功能界面包括病害查詢、圖片上傳（圖7）及診斷報告（圖8）。其中圖片上傳功能欄用戶使用移動端設(shè)備將需要診斷的柑橘病害圖片上傳至云服務(wù)器端，上傳方式為選擇本地圖片和即時拍攝2種方式。服務(wù)器端對病害圖片進行推斷，并將處理結(jié)果與云數(shù)據(jù)庫中柑橘病蟲害防治數(shù)據(jù)庫信息匹配，最后將推斷結(jié)果和防治措施一同發(fā)送給用戶，并顯示在診斷報告功能欄。

4 結(jié)論

針對柑橘葉片病蟲害的識別問題，本研究提出一種基于注意力機制改進卷積神經(jīng)網(wǎng)絡(luò)的柑橘病蟲害識別算法。首先在Inception模塊間嵌入CBAM注意力機制模塊，構(gòu)建多尺度特征注意力網(wǎng)絡(luò)；然后基于注意力機制構(gòu)建殘差注意力網(wǎng)絡(luò)，融合2個子網(wǎng)絡(luò)的特征，從全局提高模型的整體特征提取能力。

通過試驗發(fā)現(xiàn)加入注意力機制對提升模型性能的有效性，融合殘差注意力網(wǎng)絡(luò)使得模型的特征提取能力有效提高，在柑橘葉片病蟲害數(shù)據(jù)集上達(dá)到98.49%的識別準(zhǔn)確率。同時，構(gòu)建柑橘病蟲害識別系統(tǒng)，實現(xiàn)其應(yīng)用價值，幫助柑橘管理者更好地進行種植生產(chǎn)活動。未來可以進一步增加病蟲害種類，以及同種類不同程度的樣本數(shù)據(jù)，進一步提升模型的應(yīng)用價值。

參考文獻：

［1］沈兆敏. 我國柑橘生產(chǎn)銷售現(xiàn)狀及發(fā)展趨勢［J］. 果農(nóng)之友，2021（3）：1-4.

［2］祁春節(jié)，顧雨檬，曾 彥. 我國柑橘產(chǎn)業(yè)經(jīng)濟研究進展［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報，2021，40（1）：58-69.

［3］王彥翔，張 艷，楊成婭，等. 基于深度學(xué)習(xí)的農(nóng)作物病害圖像識別技術(shù)進展［J］. 浙江農(nóng)業(yè)學(xué)報，2019，31（4）：669-676.

［4］唐利華，郭堂勛，李其利，等. 柑橘黃龍病田間診斷與檢測技術(shù)研究進展［J］. 中國植保導(dǎo)刊，2018，38（8）：81-87.

［5］Munisami T，Ramsurn M，Kishnah S，et al. Plant leaf recognition using shape features and colour histogram with K-nearest neighbour classifiers［J］. Procedia Computer Science，2015，58：740-747.

［6］Yang X，Ni H M，Li J K，et al. Leaf recognition using BP-RBF hybrid neural network［J］. Journal of Forestry Research，2022，33（2）：579-589.

［7］Azlah M A F，Chua L S，Rahmad F R，et al. Review on techniques for plant leaf classification and recognition［J］. Computers，2019，8（4）：77.

［8］Zhang S W，Wu X W，You Z H，et al. Leaf image based cucumber disease recognition using sparse representation classification［J］. Computers and Electronics in Agriculture，2017，134：135-141.

［9］Agarwal M，Gupta S K，Biswas K K. Development of efficient CNN model for tomato crop disease identification［J］. Sustainable Computing：Informatics and Systems，2020，28：100407.

［10］Mique E L Jr，Palaoag T D. Rice pest and disease detection using convolutional neural network［C］//Proceedings of the 1st International Conference on Information Science and Systems. 2018：147-151.

［11］Rangarajan A K，Purushothaman R，Ramesh A. Tomato crop disease classification using pre-trained deep learning algorithm［J］. Procedia Computer Science，2018，133：1040-1047.

［12］Geetharamani G，Pandian A. Identification of plant leaf diseases using a nine-layer deep convolutional neural network［J］. Computers & Electrical Engineering，2019，76：323-338.

［13］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.

［14］Liu B，Ding Z F，Tian L L，et al. Grape leaf disease identification using improved deep convolutional neural networks［J］. Frontiers in Plant Science，2020，11：1082.

［15］王 超，王春圻，劉金明. 基于深度學(xué)習(xí)的玉米葉片病害識別方法研究［J］. 現(xiàn)代農(nóng)業(yè)研究，2022，28（6）：102-106.

［16］朱 帥，王金聰，任洪娥，等. 基于多特征融合的殘差網(wǎng)絡(luò)果樹葉片病害識別［J］. 森林工程，2022，38（1）：108-114，123.

［17］樊湘鵬，周建平，許 燕，等. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜背景下玉米病害識別［J］. 農(nóng)業(yè)機械學(xué)報，2021，52（3）：210-217.

［18］李慶盛，繆 楠，張 鑫，等. 基于注意力機制非對稱殘差網(wǎng)絡(luò)和遷移學(xué)習(xí)的玉米病害圖像識別［J］. 科學(xué)技術(shù)與工程，2021，21（15）：6249-6256.

［19］楊泳波，趙遠(yuǎn)洋，李振波，等. 基于膠囊 SE-Inception 的茄科病害識別方法研究［J］. 圖學(xué)學(xué)報，2022，43（1）：28-35.

［20］賈兆紅，張袁源，王海濤，等. 基于Res2Net和雙線性注意力的番茄病害時期識別方法［J］. 農(nóng)業(yè)機械學(xué)報，2022，53（7）：259-266.

［21］黃林生，羅耀武，楊小冬，等. 基于注意力機制和多尺度殘差網(wǎng)絡(luò)的農(nóng)作物病害識別［J］. 農(nóng)業(yè)機械學(xué)報，2021，52（10）：264-271.

［22］侯發(fā)東. 基于卷積神經(jīng)網(wǎng)絡(luò)的棉花葉部病蟲害自動識別研究［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2020.

［23］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［C］//European Conference on Computer Vision.Cham：Springer，2018：3-19.

［24］張會敏，謝澤奇，張善文. 基于注意力膠囊網(wǎng)絡(luò)的作物病害識別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：101-106.

［25］Chen J D，Zhang D F，Zeb A，et al. Identification of rice plant diseases using lightweight attention networks［J］. Expert Systems with Applications，2021，169：114514.

［26］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas，NV，USA.IEEE，2016：2818-2826.

［27］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 （CVPR）.Las Vegas，NV，USA.IEEE，2016：770-778.