摘要：番茄葉片病害的快速定位與精準(zhǔn)識(shí)別有助于合理使用殺蟲劑，進(jìn)而保障番茄的質(zhì)量與產(chǎn)量。針對(duì)現(xiàn)有番茄葉片病害檢測(cè)方法檢測(cè)性能不佳的問題，提出一種自監(jiān)督下的小樣本番茄葉片病害檢測(cè)方法。首先，利用一組共享權(quán)重的主干網(wǎng)絡(luò)提取番茄葉片在視覺空間中的語(yǔ)義特征；然后，將視覺語(yǔ)義特征作為深度自編碼網(wǎng)絡(luò)的輸入，通過計(jì)算編碼壓縮后的特征與原始特征間的對(duì)比損失優(yōu)化特征編碼網(wǎng)絡(luò)；最后，利用編碼壓縮后的特征指導(dǎo)番茄葉片的未知病害定位與識(shí)別。此外，為獲得更魯棒的指導(dǎo)特征集，設(shè)計(jì)一種雙損失的優(yōu)化策略。通過在自建的番茄病害葉片數(shù)據(jù)集和開源數(shù)據(jù)集上進(jìn)行測(cè)試試驗(yàn)，所提出模型分別在自建和開源數(shù)據(jù)集上實(shí)現(xiàn)0.946 2和0.963 9的識(shí)別精準(zhǔn)率，優(yōu)于當(dāng)前經(jīng)典的目標(biāo)檢測(cè)方法。

關(guān)鍵詞：番茄葉片病害檢測(cè)；自監(jiān)督學(xué)習(xí)；自編碼網(wǎng)絡(luò)；雙損失；語(yǔ)義特征

中圖分類號(hào)：S436.412; TP391

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 070172

08

Detection of tomato leaf disease in small sample under self-supervised learning

Li Xianna1， Wu Qiang2， Zhang Yidan1， Zhou Kang3

（1. College of Information and Engineering， Nanyang Vocational College of Agriculture， Nanyang， 473000， China;

2. School of Information and Engineering， Zhengzhou University， Zhengzhou， 450001， China; 3. College of

Information and Management Science， Henan Agricultural University， Zhengzhou， 450003， China）

Abstract：

Rapid localization and accurate identification of tomato leaf diseases can help in the rational use of pesticides， thereby ensuring the quality and yield of tomatoes. In order to address the problem of poor performance of existing detection methods for tomato leaf disease， a self-supervised detection method" for small sample tomato leaf disease was proposed. Firstly， a set of shared weight backbone networks were used to extract semantic features of tomato leaves in the visual space. Then， the visual semantic features were input into a deep auto-encoder network， and the feature encoding network was optimized by calculating the contrast loss between the encoded and original features. Finally， the encoded features were used to guide the localization and identification of unknown tomato leaf diseases. In addition， a double loss optimization strategy was designed to obtain more robust guiding feature sets. Through testing experiments on a self-built tomato disease leaf dataset and an open-source dataset， the proposed model achieved recognition accuracies of 0.946 2 and 0.963 9 on the self-built and open-source datasets， respectively， which were superior to current state-of-the-art object detection methods.

Keywords：

tomato leaf disease detection; self-supervised learning; autoencoder network; dual loss; semantic feature

0 引言

番茄是全球重要的經(jīng)濟(jì)作物之一，其葉片病害對(duì)番茄產(chǎn)量和質(zhì)量產(chǎn)生了嚴(yán)重影響。及時(shí)檢測(cè)和準(zhǔn)確識(shí)別病害可以幫助農(nóng)民采取相應(yīng)的防治措施，有效減少作物的損失，提高番茄產(chǎn)量和質(zhì)量；及時(shí)準(zhǔn)確地檢測(cè)出番茄葉片病害有助于降低對(duì)農(nóng)藥和化肥的依賴，減少農(nóng)業(yè)環(huán)境的污染和生態(tài)系統(tǒng)的破壞［1， 2］。因此，提出一種高效、準(zhǔn)確的農(nóng)作物病害檢測(cè)方法對(duì)優(yōu)化農(nóng)業(yè)生產(chǎn)管理、提高資源利用效率、實(shí)現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展具有重要的研究意義。

傳統(tǒng)的番茄葉片病害檢測(cè)主要借助專家經(jīng)驗(yàn)，通過人工手動(dòng)定位番茄葉片病害區(qū)域，然后根據(jù)顏色深淺、紋理等信息判斷病害的類型［3］。雖然該類方法可以實(shí)現(xiàn)部分番茄葉片病害的識(shí)別，但主觀性太強(qiáng)限制了該類方法在實(shí)際場(chǎng)景中的應(yīng)用［4］。近年來，隨著深度學(xué)習(xí)相關(guān)技術(shù)的快速發(fā)展［5， 6］，研究者嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)建立番茄葉片病害的識(shí)別。馬麗等［7］以Mobile Netv3為主干網(wǎng)絡(luò)提取番茄葉片的深度特征，并在5種葉片病害數(shù)據(jù)集上進(jìn)行測(cè)試。卷積神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的運(yùn)算能力，受到計(jì)算機(jī)視覺領(lǐng)域的廣泛關(guān)注，蔣清健等［8］利用卷積神經(jīng)網(wǎng)絡(luò)和變體卷積神經(jīng)網(wǎng)絡(luò)提取不同方向葉片在視覺空間中的特征表達(dá)，并利用通道和空間注意力強(qiáng)化特征表達(dá)的魯棒性。類似地，蔣清健等［9］提出了一種基于多尺度網(wǎng)絡(luò)算法的番茄葉片病害識(shí)別方法，利用多個(gè)卷積層構(gòu)造了多尺度特征來進(jìn)一步強(qiáng)化特征表達(dá)的可靠性。陳智超等［10］利用多尺度卷積提取番茄葉片在空間特征表示的基礎(chǔ)上，利用雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)挖掘葉片序列在時(shí)序維度上的特征表達(dá)，通過結(jié)合時(shí)序和空間維度的特征來增強(qiáng)番茄葉片病害特征集的表達(dá)能力。劉擁民等［11］考慮到病害區(qū)域小影響檢測(cè)性能的問題，利用Swin Transformer網(wǎng)絡(luò)細(xì)粒度地捕獲番茄病害圖像的深層視覺語(yǔ)義信息，有效提高了模型的識(shí)別性能。

雖然上述基于深度網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法取得了令人滿意的成績(jī)，然而深度網(wǎng)絡(luò)的性能過度依賴大規(guī)模標(biāo)注的強(qiáng)監(jiān)督數(shù)據(jù)集，對(duì)于少量樣本的病害類型識(shí)別性能不佳。此外，隨著氣候等眾多因素的變化，番茄葉片的病害類型多種多樣，僅利用傳統(tǒng)歷史數(shù)據(jù)集訓(xùn)練的網(wǎng)絡(luò)模型難以泛化到未知病害的識(shí)別任務(wù)中。為此，一些研究者嘗試?yán)眠w移學(xué)習(xí)或數(shù)據(jù)增強(qiáng)的方法緩解上述問題。如王艷玲等［12］利用ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練AlexNet作為主干網(wǎng)絡(luò)，并經(jīng)過采集的番茄葉片病害數(shù)據(jù)樣本進(jìn)行微調(diào)來提高模型的識(shí)別性能。羅東升等［13］利用對(duì)抗生成網(wǎng)絡(luò)生成番茄葉片病害數(shù)據(jù)集。雖然遷移學(xué)習(xí)或數(shù)據(jù)增強(qiáng)的方法在一定程度上可以緩解上述因數(shù)據(jù)集標(biāo)注成本高的問題，然而模型對(duì)于未知病害的泛化性能仍沒有得到緩解，模型的識(shí)別性能仍然過度依賴強(qiáng)監(jiān)督訓(xùn)練樣本的個(gè)數(shù)。

綜上，提出一種自監(jiān)督學(xué)習(xí)下的小樣本番茄葉片病害檢測(cè)方法，主要包括特征映射、特征提取和病害檢測(cè)三部分。構(gòu)造一種帶自注意力機(jī)制的特征映射網(wǎng)絡(luò)，將支持分支和查詢分支的輸入圖片映射到視覺語(yǔ)義空間；利用共享權(quán)重的深度自編碼網(wǎng)絡(luò)提取番茄葉片的特征集，并借助所提取的特征集指導(dǎo)查詢分支中未知病害區(qū)域的定位與識(shí)別。

1 小樣本番茄葉片病害檢測(cè)

為了緩解傳統(tǒng)模型泛化性能不強(qiáng)、性能過度依賴訓(xùn)練樣本的問題，采用雙分支網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)番茄葉片的病害識(shí)別。圖1展示了所提出的自監(jiān)督學(xué)習(xí)下小樣本番茄葉片病害檢測(cè)模型的結(jié)構(gòu)圖。主要包括特征映射、特征編碼、特征度量三部分組成。具體地，首先利用一組共享權(quán)重的主干網(wǎng)絡(luò)將雙分支輸入圖片映射到深度視覺語(yǔ)義空間，并在分支內(nèi)建立層自注意力機(jī)制。然后，將分支自注意力特征圖作為深度自編碼網(wǎng)絡(luò)的輸入，逐層壓縮感知，提取番茄葉片病害區(qū)域在深度空間中的特征表達(dá)，構(gòu)造指導(dǎo)特征集。最后，利用壓縮感知特征集指導(dǎo)查詢分支中未知病害的識(shí)別與分類。此外，為了獲得更緊湊魯棒性的指導(dǎo)特征集，設(shè)計(jì)了一種雙損失優(yōu)化函數(shù)，端到端優(yōu)化特征集。

1.1 特征映射

近年來，卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺任務(wù)中得到了廣泛的應(yīng)用，利用卷積神經(jīng)網(wǎng)絡(luò)將圖片映射到深度視覺語(yǔ)義空間成為計(jì)算機(jī)視覺任務(wù)中的標(biāo)準(zhǔn)步驟［14］。經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)如VGG16、ResNet系列神經(jīng)網(wǎng)絡(luò)常被用于特征映射的主干網(wǎng)絡(luò)［15］，考慮到深度網(wǎng)絡(luò)參數(shù)多、優(yōu)化需要大量的訓(xùn)練樣本。為此，本文以較為輕量的VGG16為基線模型，通過在每個(gè)Block中加入自注意力來強(qiáng)化模型對(duì)番茄葉片病害區(qū)域的捕獲能力。所采用的特征映射網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

由于番茄葉片病害區(qū)域較小、早期病害顏色淺，而自注意力機(jī)制可以在特征圖內(nèi)捕獲當(dāng)前位置的上下文視覺語(yǔ)義。因此，在每個(gè)Block中引入自注意力機(jī)制來強(qiáng)化模型對(duì)病害區(qū)域視覺語(yǔ)義與位置信息的捕獲能力。此外，深度網(wǎng)絡(luò)利用16倍或32倍的卷積核來增大感受野［16］，然而經(jīng)過多個(gè)卷積操作極易導(dǎo)致區(qū)域較小或顏色較淺的病害區(qū)域信息丟失［17］。為此，本文通過捕獲不同層的特征，構(gòu)造多尺度特征集，緩解傳統(tǒng)深度網(wǎng)絡(luò)進(jìn)行特征映射導(dǎo)致信息丟失的問題。

具體地，首先將原始支持和查詢圖片作為主干網(wǎng)絡(luò)的輸入，通過不同層的編碼獲得各層的輸出特征圖，并經(jīng)過自注意力機(jī)制得到每個(gè)Block區(qū)域內(nèi)的自注意力特征圖，不同層的自注意力特征表示如式（1）所示。

Fs1=softmax（Fs1－lFs1－lT）dFs1－l

Fs2=softmax（Fs1－mFs1－mT）dFs1－m

Fs3=softmax（Fs1－h(huán)Fs1－h(huán)T）dFs1－h(huán)

（1）

式中：

Fs1——

低層Block的輸出自注意力特征圖；

Fs2——

中間層Block的輸出自注意力特征圖；

Fs3——

高層Block的輸出自注意力特征圖；

Fs1－l、Fs1－m、Fs1－h(huán)——

低層、中間層和高層Block的輸出特征圖；

d——特征向量。

類似地，可以獲得查詢分支的輸出特征圖，具體表示如式（2）所示。

Fq1=softmax（Fq1－lFq1－lT）dFq1－l

Fq2=softmax（Fq1－mFq1－mT）dFq1－m

Fq3=softmax（Fq1－h(huán)Fq1－h(huán)T）dFq1－h(huán)

（2）

式中：

Fqi——

低層、中間層和高層Block的輸出自注意力特征圖，i=1，2，3；

Fq1-x——

查詢分支中低層、中間層和高層Block的輸出特征圖，x分別對(duì)應(yīng)l低層，m中間層，h高層。

1.2 特征編碼

逐像素標(biāo)注圖片中的病害區(qū)域或構(gòu)造番茄病害區(qū)域的粗粒度標(biāo)簽所產(chǎn)生的成本極其昂貴，雖然現(xiàn)有模型利用虛線框或涂鴉的方式來緩解標(biāo)注成本高的問題，但該類標(biāo)注方式仍難以滿足實(shí)際場(chǎng)景中低成本的要求［18］。此處，從特征編碼角度出發(fā)，利用原始特征圖來編碼壓縮，根據(jù)壓縮后的特征圖來恢復(fù)原始特征圖的方式緩解標(biāo)注成本高的問題。利用自監(jiān)督的深度自編碼網(wǎng)絡(luò)將原始映射的特征圖沿通道維度編碼壓縮為高層、抽象的特征表達(dá)。特征編碼流程如圖3所示。

單層自編碼器通過一次壓縮感知來捕獲番茄葉片在視覺語(yǔ)義空間中的特征表達(dá)的能力有限［19］。此處，所采用的特征編碼是通過疊加多個(gè)單層自編碼器所構(gòu)造的深度自編碼網(wǎng)絡(luò)，如圖3所示。其中每層自編碼器通過無(wú)監(jiān)督學(xué)習(xí)的方式從自注意力計(jì)算后的特征圖中編碼提取出能夠表征番茄病害區(qū)域的深層特征。即每層自編碼器對(duì)輸入的特征圖Fs={fs1，fs2，…，fsn}進(jìn)行逐層編碼壓縮，得到中間層番茄葉片病害區(qū)域的特征表示Fsi={fs（i）1，fs（i）2，…，fs（i）n－i}；然后，利用中間層特征恢復(fù)出原始特征圖，并計(jì)算兩者之間的相似度，根據(jù)相似度值優(yōu)化中間層網(wǎng)絡(luò)參數(shù)，強(qiáng)化中間層特征表達(dá)的可靠性。單層自編碼器的優(yōu)化函數(shù)可定義為式（3）。

J（W，b;fs（i）n－i）=12‖fs（i－1）n－（i－1）－fs（i）n－i‖2

（3）

式中：

W——編碼權(quán)重；

b——編碼偏置；

fs（i）n－i——

輸入到第i層編碼器的特征圖；

fs（i－1）n－（i－1）——

第i層編碼器的輸出特征圖;

n——

經(jīng)過自注意力計(jì)算后的特征通道數(shù)。

此處，為了防止自編碼器過擬合，在每層自編碼器中加入稀疏性約束項(xiàng)［20］，具體計(jì)算如式（4）所示。

Js=∑Kj=1ρlogρρ～j+（1－ρ）log1－ρ1－ρ～j

（4）

式中：

ρ——神經(jīng)元激活度；

ρ～j——平均激活度；

K——神經(jīng)元的個(gè)數(shù)。

此處引入的稀疏性約束項(xiàng)旨在強(qiáng)化每層編碼器利用較少的輸入視覺語(yǔ)義信息捕獲得到番茄病害圖片在視覺語(yǔ)義空間中的關(guān)鍵特征，減少無(wú)關(guān)噪聲或冗余信息的干擾。

1.3 特征度量

雙分支網(wǎng)絡(luò)中常見的特征度量采用有參數(shù)學(xué)習(xí)的解碼器，通過將查詢分支特征集和支持分支的指導(dǎo)特征集進(jìn)行融合并解碼，得到對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽。然而，該類方法涉及參數(shù)量較多，耗費(fèi)計(jì)算資源也相對(duì)較大；此外，本文所研究的小樣本數(shù)據(jù)集不足以優(yōu)化整個(gè)網(wǎng)絡(luò)模型，極易造成子優(yōu)化問題。為此，采用無(wú)參數(shù)的特征度量方法計(jì)算查詢特征圖中每一位置處的特征向量與支持分支生成的特征指導(dǎo)集之間的相似度，根據(jù)相似度值給出判定結(jié)果。具體地，采用余弦相似度計(jì)算特征間的相似度值，計(jì)算如式（5）所示。

S（fq（x，y），fs（i）n－i）=∑n－ii=1fq（x，y）·fs（i）n－i‖fq（x，y）‖·‖fs（i）n－i‖

（5）

式中：

S（fq（x，y），fs（i）n－i）——特征間的余弦相似度；

fq（x，y）——

查詢特征圖中位置（x，y）處的特征向量。

然后，逐位置計(jì)算查詢特征與指導(dǎo)特征集間的最大相似度值，并根據(jù)最大相似度值拼接獲得整張查詢圖片的位置信息和標(biāo)簽信息。最后，逐位置計(jì)算預(yù)測(cè)標(biāo)簽值與真實(shí)標(biāo)簽值間的對(duì)比損失，并根據(jù)損失值端到端優(yōu)化網(wǎng)絡(luò)參數(shù)，強(qiáng)化指導(dǎo)特征集的表達(dá)能力。具體計(jì)算如式（6）所示。

lpre=－1HW∑H，Wx，y∑n－ii=1［y（x，y）pre=y（x，y）q］logy（x，y）pre

（6）

式中：

lpre——查詢對(duì)象的預(yù)測(cè)損失；

H——查詢圖片的長(zhǎng)；

W——查詢圖片的寬；

［·］——

真值函數(shù)，如果括號(hào)中的計(jì)算值為真，則值為1，否則為0；

y（x，y）pre——

模型預(yù)測(cè)的番茄葉片病害標(biāo)簽值；

y（x，y）q——

位置（x，y）處的真實(shí)標(biāo)簽值。

考慮到如果支持分支獲得的指導(dǎo)特征集不能很好地指導(dǎo)自身的預(yù)測(cè)，則泛化到查詢分支上的性能難以保障。為此，設(shè)計(jì)了一種聯(lián)合訓(xùn)練損失函數(shù)，旨在實(shí)現(xiàn)查詢分支和支持分支指導(dǎo)特征集的對(duì)齊，強(qiáng)化特征指導(dǎo)集的魯棒性和泛化能力。雙損失Lss計(jì)算如式（7）所示。

Lss=αlpre+（1－a）lag

（7）

式中：

lag——支持分支的對(duì)齊損失；

α——

雙損失的平衡超參數(shù)。

2 試驗(yàn)與分析

2.1 數(shù)據(jù)集介紹

采用的數(shù)據(jù)集包括自建的番茄小樣本葉片病害數(shù)據(jù)集和開源的番茄葉片病害數(shù)據(jù)集，部分?jǐn)?shù)據(jù)樣本如圖4所示。

其中，自建的番茄小樣本數(shù)據(jù)集采集地為河南省南陽(yáng)市某番茄生產(chǎn)基地。采集設(shè)備主要為索尼ZV-E1相機(jī)，并固定在360°可旋轉(zhuǎn)的機(jī)架上進(jìn)行24 h拍攝，此外搭載索尼E卡口鏡頭。所采集的圖片大小統(tǒng)一為448像素×448像素×3通道。采集的葉片病害主要包括葉霉病、灰葉斑病、煤霉病、晚疫病、青枯病、黃葉病、白粉病、斑萎病毒病和健康葉片9種。開源的番茄葉片病害數(shù)據(jù)來自Plant Village公開的數(shù)據(jù)集，包括葉霉病、葉斑病、晚疫病、黃曲葉病、早疫病葉片、青枯病、白粉病和健康葉片8種。數(shù)據(jù)集詳細(xì)信息如表1所示。

2.2 試驗(yàn)設(shè)定與評(píng)價(jià)指標(biāo)

硬件方面：Windows 10操作系統(tǒng)的臺(tái)式機(jī)，8核16線程；顯卡采用GeForce RTX 3060Ti 8GB。軟件方面：編程語(yǔ)言采用Python 3.9，編輯器采用Pycharm，CUDA版本為11.2，深度學(xué)習(xí)框架選擇Pytorch。超參數(shù)選擇：設(shè)定初始學(xué)習(xí)率為1×10-3，batch大小設(shè)為8，優(yōu)化器采用SGD，權(quán)重衰減項(xiàng)設(shè)為0.6。圖5給出了訓(xùn)練與測(cè)試階段的損失值與迭代次數(shù)曲線，可以看出，在自建數(shù)據(jù)集和開源數(shù)據(jù)集上，當(dāng)?shù)螖?shù)設(shè)定為60和90時(shí)，曲線趨于收斂。

為了評(píng)價(jià)所設(shè)計(jì)模型和當(dāng)前經(jīng)典的目標(biāo)檢測(cè)模型的性能，采用廣泛使用的精準(zhǔn)率、召回率和F1值作為評(píng)價(jià)指標(biāo)。

精準(zhǔn)率=x1x1+y1×100%

（8）

召回率=x1x1+y2×100%

（9）

F1=2×精準(zhǔn)率×召回率精準(zhǔn)率+召回率

（10）

式中：

x1——正確預(yù)測(cè)的樣本總數(shù)；

y1——誤報(bào)為病害葉片的總數(shù)；

y2——漏報(bào)的病害葉片總數(shù)。

2.3 消融試驗(yàn)

為了分析所提出模型不同組件間的關(guān)聯(lián)以及在性能得分中所扮演的角色，設(shè)計(jì)了以下4組消融試驗(yàn)。具體結(jié)果如表2所示。

方案一：主干網(wǎng)絡(luò)采用原始VGG16作為特征映射器，以映射特征的全局特征作為指導(dǎo)集。方案二：將VGG16分層添加自注意力，以映射特征的全局特征作為指導(dǎo)集。方案三：主干網(wǎng)絡(luò)采用原始VGG16作為特征映射器，利用深度自編碼網(wǎng)絡(luò)提取的特征作為指導(dǎo)集。方案四：將VGG16分層添加自注意力，利用深度自編碼網(wǎng)絡(luò)提取的特征作為指導(dǎo)集。

從表2可知，僅利用特征映射的全局特征不足以充分表示病害或健康番茄葉片的視覺語(yǔ)義特征。這主要是因?yàn)槿痔卣骷劝ú『^(qū)域的視覺語(yǔ)義特征又包括周邊的背景特征。而使用深度自編碼網(wǎng)絡(luò)可以捕獲得到中間層的目標(biāo)任務(wù)信息，有效強(qiáng)化了目標(biāo)任務(wù)特征表達(dá)的可靠性，方案一與方案三的對(duì)比試驗(yàn)結(jié)果驗(yàn)證了深度自編碼網(wǎng)絡(luò)所提取特征的優(yōu)越性。此外，相比原始VGG16作為特征映射的主干，在VGG16網(wǎng)絡(luò)的不同層中引入自注意力機(jī)制可以有效提升模型的識(shí)別性能，方案一和方案二的結(jié)果進(jìn)一步驗(yàn)證了所設(shè)計(jì)模型的合理性。然而，最好的識(shí)別性能是在特征映射階段引入自注意力，在特征編碼階段采用深度自編碼的聯(lián)合模型。

此外，為了探究預(yù)測(cè)損失lpre和對(duì)齊損失lag之間的權(quán)重分配，分別在區(qū)間［0，1］上進(jìn)行賦值。權(quán)重α與精準(zhǔn)率之間的關(guān)聯(lián)關(guān)系如圖6所示?？梢钥闯觯?dāng)權(quán)重α設(shè)為0.4時(shí)，模型在自建和開源的Plant Village數(shù)據(jù)集上表現(xiàn)最佳。

2.4 同類相關(guān)工作對(duì)比

為了驗(yàn)證所設(shè)計(jì)的自監(jiān)督學(xué)習(xí)下小樣本番茄葉片病害檢測(cè)方法的優(yōu)越性，選擇當(dāng)前經(jīng)典的目標(biāo)檢測(cè)模型進(jìn)行對(duì)比試驗(yàn)。對(duì)比方法包括：YOLOv4、Faster R-CNN、Inception v4、AlexNet、GoogleNet。所有方法的對(duì)比結(jié)果如表3所示。

從表3中可以看出，所提出模型在自建的小樣本番茄葉片病害數(shù)據(jù)集上可以獲得0.946 2的識(shí)別精準(zhǔn)率、0.941 2的召回率和0.940 9的F1值。在精準(zhǔn)率方面，所提出模型相比Faster R-CNN模型，提升1.09%；在召回率方面，相比AlexNet模型，提升1.07%；在F1值方面，相比Faster R-CNN模型，提升1.05%。此外，在開源的Plant Village數(shù)據(jù)集上有類似的發(fā)現(xiàn)，尤其是在識(shí)別精準(zhǔn)率方面，相比Faster R-CNN模型，提升1.57%；在召回率方面，相比表現(xiàn)次優(yōu)的YOLOv4，提升1.74%；在F1值方面，相比AlexNet方法，提升1.63%。此外，為了測(cè)試所設(shè)計(jì)方法在檢測(cè)速率方面的性能，選擇30張測(cè)試圖片進(jìn)行速率測(cè)試，可以看出所提出方法總共花費(fèi)28 s，僅次于YOLOv4。產(chǎn)生這些結(jié)果的可能原因是所提出模型在特征映射階段將原始VGG16網(wǎng)絡(luò)劃分為多個(gè)層，這樣做的好處可以緩解番茄病害葉片區(qū)域小，經(jīng)過模型高倍率下采樣后導(dǎo)致小目標(biāo)信息丟失的問題。此外，在每個(gè)層內(nèi)還引入了自注意力機(jī)制，進(jìn)一步強(qiáng)化了模型對(duì)病害區(qū)域及周圍區(qū)域關(guān)鍵信息的捕獲能力，圖7展示了自注意力后的特征可視化效果，可以看出自注意力機(jī)制有助于增強(qiáng)模型對(duì)病害區(qū)域的定位能力。

另一個(gè)主要原因是本文模型采用了深度自編碼網(wǎng)絡(luò)作為特征編碼器，通過每層編碼器的壓縮感知獲得中間層的特征指導(dǎo)集，相比傳統(tǒng)方法采用全局特征作為指導(dǎo)特征集，深度自編碼網(wǎng)絡(luò)編碼后的特征最能夠表示病害區(qū)域，其次這種編碼方式也可以緩解模型性能過度依賴訓(xùn)練數(shù)據(jù)的問題。為了直觀展示所提出方法的分類性能，分別在自建數(shù)據(jù)集和開源數(shù)據(jù)集上進(jìn)行定性分析，并選擇置信度最高的3個(gè)候選框的均值作為最終的定量結(jié)果，檢測(cè)可視化結(jié)果如圖8所示?？梢钥闯?，所提出方法能夠精準(zhǔn)定位病害區(qū)域，并能夠識(shí)別出具體的病害類型。

此外，為了進(jìn)一步測(cè)試所設(shè)計(jì)方法在每種病害類型上的識(shí)別性能，在自建數(shù)據(jù)集和開源的Plant Village數(shù)據(jù)集上進(jìn)行測(cè)試，其中自建數(shù)據(jù)集中的測(cè)試類包含黃葉病、白粉病、斑萎病毒病和健康葉片；開源的Plant Village數(shù)據(jù)集上的測(cè)試類包含青枯病、晚疫病、白粉病和葉斑病。具體測(cè)試的混淆矩陣如圖9所示。

由圖9可以看出，所提出模型對(duì)自建數(shù)據(jù)集上的四種測(cè)試類分別可以實(shí)現(xiàn)0.950 2、0.938 9、0.951 1和0.947 3的識(shí)別精準(zhǔn)率；在開源數(shù)據(jù)集上的四種測(cè)試類分別可以實(shí)現(xiàn)0.961 5、0.963 8、0.970 3和0.969 4的識(shí)別精準(zhǔn)率。上述測(cè)試結(jié)果表明所設(shè)計(jì)模型不僅可以實(shí)現(xiàn)病害與健康葉片的分類，還可以較好地分類出細(xì)粒度的病害類型，具有較好實(shí)際應(yīng)用價(jià)值。

3 結(jié)論

本文提出一種自監(jiān)督學(xué)習(xí)下小樣本番茄葉片病害檢測(cè)方法，主要包括特征映射、特征編碼和特征度量3部分。在特征映射階段構(gòu)造分層自注意力機(jī)制，強(qiáng)化支持分支和查詢分支中目標(biāo)區(qū)域的特征表達(dá)能力。在特征編碼階段，利用深度自編碼網(wǎng)絡(luò)的編碼與解碼模塊，捕獲映射特征圖上能夠充分表示目標(biāo)任務(wù)的關(guān)鍵特征，旨在利用較少的特征指導(dǎo)信息指導(dǎo)查詢分支中未知番茄病害區(qū)域的定位與分類。

1） 所提出方法在自建的小樣本番茄葉片病害數(shù)據(jù)集上可以獲得0.946 2的識(shí)別精準(zhǔn)率、0.941 3的召回率和0.940 9的F1值；在開源的Plant Village數(shù)據(jù)集上可以獲得0.963 9的識(shí)別精準(zhǔn)率、0.967 5的召回率和0.967 5的F1值。

2） 提出一種分層自注意力的特征映射網(wǎng)絡(luò)，在傳統(tǒng)主干網(wǎng)絡(luò)的不同層中引入自注意力機(jī)制，強(qiáng)化模型對(duì)目標(biāo)區(qū)域的上下文感知能力。

3） 利用自監(jiān)督的深度自編碼網(wǎng)絡(luò)作為特征編碼器來提取特征指導(dǎo)集，該種編碼方式無(wú)需額外的有監(jiān)督標(biāo)簽干預(yù)，有助于緩解原始特征指導(dǎo)集的建立需要過度依賴監(jiān)督信息的問題。

參 考 文 獻(xiàn)

［1］王志強(qiáng)， 于雪瑩， 楊曉婧， 等. 基于WGAN和MCA-MobileNet的番茄葉片病害識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（5）： 244-252.

Wang Zhiqiang， Yu Xueying， Yang Xiaojing， et al. Tomato leaf diseases recognition based on WGAN and MCA-MobileNet ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（5）： 244-252.

［2］Thangaraj R， Anandamurugan.S， Pandiyan P， et al. Artificial intelligence in tomato leaf disease detection： A comprehensive review and discussion ［J］. Journal of Plant Diseases and Protection， 2022， 129（3）： 469-488.

［3］Chen H C， Widodo A M， Wisnujati A， et al. AlexNet convolutional neural network for disease detection and classification of tomato leaf ［J］. Electronics， 2022， 11（6）： 951.

［4］帖軍， 隆娟娟， 鄭祿， 等. 基于SK-EfficientNet的番茄葉片病害識(shí)別模型［J］. 廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 40（4）： 104-114.

Tie Jun， Long Juanjuan， Zheng Lu， et al， Tomato leaf disease recognition model based on SK-EfficientNet ［J］. Journal of Guangxi Normal University （Natural Science Edition）， 2022， 40（4）： 104-114.

［5］胡志偉， 楊華， 黃濟(jì)民， 等. 基于注意力殘差機(jī)制的細(xì)粒度番茄病害識(shí)別［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2019， 40（6）：124-132.

Hu Zhiwei， Yang Hua， Huang Jimin， et al. Fine-grained tomato disease recognition based on attention residual mechanism ［J］. Journal of South China Agricultural University， 2019， 40（6）： 124-132.

［6］Huang X， Chen A， Zhou G， et al. Tomato leaf disease detection system based on FC-SNDPN ［J］. Multimedia Tools and Applications， 2023， 82（2）： 2121-2144.

［7］馬麗， 周巧黎， 趙麗亞， 等. 基于深度學(xué)習(xí)的番茄葉片病害分類識(shí)別研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（7）： 187-193， 206.

Ma Li， Zhou Qiaoli， Zhao Liya， et al. Classification and recognition of tomato leaf diseases based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（7）： 187-193， 206.

［8］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.

Jiang Qingjian， Yao Yong， Fu Zhijun， et al. Tomato leaf disease identification based on improved convolutional neural network algorithm ［J］. Jiangsu Agricultural Sciences， 2022， 50（20）： 29-34.

［9］蔣清健， 姚勇， 王亞玲， 等. 基于多尺度卷積神經(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)， 2023， 51（15）： 211-216.

Jiang Qingjian， Yao Yong， Wang Yaling， et al. Tomato leaf diseases recognition based on multi-scale convolutional neural network ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 211-216.

［10］陳智超， 汪國(guó)強(qiáng)， 李飛， 等. 基于Bi-LSTM與多尺度神經(jīng)網(wǎng)絡(luò)模型的番茄病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)， 2023， 51（15）： 194-203.

Chen Zhichao， Wang Guoqiang， Li Fei， et al. Tomato disease identification based on Bi-LSTM and multi-scale neural network model ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 194-203.

［11］劉擁民， 劉翰林， 石婷婷， 等. 一種優(yōu)化的Swin Transformer番茄葉片病害識(shí)別方法［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 28（4）： 80-90.

Liu Yongmin， Liu Hanlin， Shi Tingting， et al. Tomato leaf disease recognition based on an optimized Swin Transformer ［J］. Journal of China Agricultural University， 2023， 28（4）： 80-90.

［12］王艷玲， 張宏立， 劉慶飛， 等. 基于遷移學(xué)習(xí)的番茄葉片病害圖像分類［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2019， 24（6）： 124-130.

Wang Yanling， Zhang Hongli， Liu Qingfei， et al. Image classification of tomato leaf diseases based on transfer learning ［J］. Journal of China Agricultural University， 2019， 24（6）： 124-130.

［13］羅東升， 周子敬， 王志偉， 等. 改進(jìn)ACGAN數(shù)據(jù)增強(qiáng)的番茄葉片病害識(shí)別［J］. 太原理工大學(xué)學(xué)報(bào)， 2023， 54（5）： 861-868.

Luo Dongsheng， Zhou Zijing， Wang Zhiwei， et al. Tomato leaf disease recognition based on improved ACGAN data enhancement ［J］. Journal of Taiyuan University of Technology， 2023， 54（5）： 861-868.

［14］Kaur P， Harnal S， Gautam V， et al. An approach for characterization of infected area in tomato leaf disease based on deep learning and object detection technique ［J］. Engineering Applications of Artificial Intelligence， 2022， 115： 105210.

［15］Moussafir M， Chaibi H， Saadane R， et al. Design of efficient techniques for tomato leaf disease detection using genetic algorithm-based and deep neural networks ［J］. Plant and Soil， 2022， 479（1）： 251-266.

［16］鞠默然， 羅海波， 劉廣琦， 等. 采用空間注意力機(jī)制的紅外弱小目標(biāo)檢測(cè)網(wǎng)絡(luò)［J］. 光學(xué)精密工程， 2021， 29（4）： 843-853.

Ju Moran， Luo Haibo， Liu Guangqi， et al. Infrared dim and small target detection network based on spatial attention mechanism ［J］. Optics and Precision Engineering， 2021， 29（4）： 843-853.

［17］Attallah O. Tomato leaf disease classification via compact convolutional neural networks with transfer learning and feature selection ［J］. Horticulturae， 2023， 9（2）： 149.

［18］張善文， 黃文準(zhǔn)， 張傳雷. 基于環(huán)境信息和深度自編碼網(wǎng)絡(luò)的農(nóng)作物病害預(yù)測(cè)模型［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2018， 34（2）： 288-292.

Zhang Shanwen， Huang Wenzhun， Zhang Chuanlei. Forecasting model of crop disease based on environment information and deep auto-encoder network ［J］. Jiangsu Journal of Agricultural Sciences， 2018， 34（2）： 288-292.

［19］羅仁澤， 王瑞杰， 張可， 等. 殘差卷積自編碼網(wǎng)絡(luò)圖像去噪方法［J］. 計(jì)算機(jī)仿真， 2021， 38（5）： 455-461.

Luo Renze， Wang Ruijie， Zhang Ke， et al. Image denoising method of residual convolution auto-encoder network ［J］. Computer Simulation， 2021， 38（5）： 455-461.

［20］Cui S， Su Y L， Duan K， et al. Maize leaf disease classification using CBAM and lightweight Auto encoder network ［J］. Journal of Ambient Intelligence and Humanized Computing， 2023， 14（6）： 7297-7307.