摘要：針對現(xiàn)有農(nóng)作物病害葉片檢測方法利用圖像特征定位葉片病害區(qū)域精度不高的問題，提出一種基于多模態(tài)特征對齊的作物病害葉片檢測新方法。在訓練階段，利用視覺編碼器和文本編碼器將農(nóng)作物葉片集中的圖片和文本進行編碼，并根據(jù)視覺編碼特征定位給定圖片中的病害區(qū)域，利用視覺和文本編碼融合特征實現(xiàn)病害區(qū)域病害類型的細粒度分類。在推理階段，利用預訓練的病害區(qū)域定位模塊定位給定測試圖片中的病害區(qū)域，并將其提取的病害區(qū)域作為預訓練分類模型的輸入；通過計算預測文本值與文本集中原始標簽之間的相似度值，快速給出病害區(qū)域的細粒度分類結果。在多個開源的農(nóng)作物病害數(shù)據(jù)集上進行測試，所提出方法在馬鈴薯、番茄、蘋果和草莓四種類型的病害葉片數(shù)據(jù)集上精準率分別為0.957 4、0.961 1、0.958 0和0.950 2，綜合性能更優(yōu)，具有較好實用價值。

關鍵詞：病害葉片檢測；多模態(tài)特征；視覺編碼特征；文本編碼特征；細粒度分類

中圖分類號：S5; TP391

文獻標識碼：A

文章編號：20955553 （2024） 070180

08

Detection of crop disease leaf based on multi-modal feature alignment

Zhou Yifan1， 2， Liu Dongyang3， Zhou Yuping4

（1. School of Information Engineering， Zhumadian Vocational and Technical College， Zhumadian， 463000， China;

2. Henan Rural Smart Agriculture Engineering Research Center， Zhumadian Vocational and Technical College， Zhumadian，

463000， China; 3. College of Information and Electrical Engineering， China Agricultural University， Beijing，

100083， China; 4. State Key Laboratory of Crop Biology， Shandong Agricultural University， Tai’an， 271018， China）

Abstract：

Aiming at the problem that the existing methods of crop disease leaf detection were not accurate enough to locate the leaf disease region by using image features，" a new method of crop disease leaf detection based on multi-modal feature alignment was proposed. During the training phase， image and text from a collection of crop leaves were first encoded using visual and text encoders. The diseased areas in a given image were located according to the visual encoding features， and the integration of visual and text encoding features was used to achieve fine-grained classification of the type of disease in the diseased area. In the inference phase， the pretrained disease area localization module was used to locate the diseased areas in a given test image， and the extracted diseased areas were used as input for a pretrained classification model. Finally， by calculating the similarity between the predicted text values and the original labels in the text set， a rapid fine-grained classification result for the diseased area was obtained. Tests on several open-source crop disease datasets show that the proposed method can achieve high precision rates of 0.957 4， 0.961 1， 0.958 0， and 0.950 2 on potato， tomato， apple， and strawberry datasets， respectively. It has better comprehensive perfor mance and good paratical application value.

Keywords：

disease leaf detection; multi-modal feature; visual encoding features; text encoding features; fine-grained classification

0 引言

農(nóng)作物病害是農(nóng)業(yè)產(chǎn)量損失和生產(chǎn)成本增加的主要因素之一。隨著科技的不斷進步，農(nóng)業(yè)領域也開始探索各種新技術的應用，旨在提高生產(chǎn)效率的同時降低生產(chǎn)成本［1， 2］。計算機視覺技術已被廣泛用于農(nóng)業(yè)領域，利用計算機視覺技術檢測農(nóng)作物病害，可以及時評估作物病害程度。有助提高農(nóng)業(yè)生產(chǎn)的經(jīng)濟性和社會效益，對推動農(nóng)業(yè)領域的可持續(xù)發(fā)展具有重要意義［3］。

傳統(tǒng)的農(nóng)作物葉片病害檢測方法主要依賴專家經(jīng)驗，通過分析病害葉片的顏色深淺、葉片卷曲程度和紋理信息給出病害類型［4， 5］。然而，受光照亮度、觀察視角和主觀因素的影響，僅利用專家經(jīng)驗的分類方法存在很大的不確定性。隨著深度學習技術的快速發(fā)展，研究者們嘗試利用計算機視覺領域中的新型技術解決農(nóng)作物病害葉片的定位與分類任務［6］。劉敏等［7］提出了一種基于深度學習蘋果葉片病害的檢測方法，通過提取視覺編碼的局部和全局特征構造了多尺度特征集。公徐路等［8］針對蘋果早期葉片病害區(qū)域定位精度不高的問題，提出了一種改進YOLOv5的蘋果葉片病害檢測方法，通過引入空間通道注意力機制強化模型聚焦病害區(qū)域，提高模型對病害葉片區(qū)域的定位精度。類似的方法還包括曾晏林等［9］利用Transformer網(wǎng)絡設計的蘋果葉部病害檢測方法，趙嘉威等［10］利用YOLOv4設計的蘋果葉片病害檢測方法，孫長蘭等［11］利用多種機器學習算法集成模型的蘋果葉片病害檢測方法。

在馬鈴薯葉片病害檢測任務中，邢鵬康等［12］提出了一種任務感知網(wǎng)絡的馬鈴薯葉片病害區(qū)域定位與分類方法，通過設計動態(tài)卷積來增強卷積核的建模能力。趙越等［13］借助Faster R-CNN網(wǎng)絡提出了一種馬鈴薯葉片病害檢測方法，并與YOLOv3和YOLOv4等經(jīng)典的目標檢測方法進行對比。此外，章廣傳等［14］利用參數(shù)遷移的方法微調(diào)所設計的馬鈴薯葉片病害模型，并在自建的馬鈴薯葉片病害數(shù)據(jù)集上進行了驗證。

在番茄葉片病害檢測任務中，儲鑫等［15］提出了一種輕量化的番茄葉片病害定位與分類方法，通過利用K均值聚類算法改進先驗框，并利用深度可分離卷積減少了網(wǎng)絡參數(shù)，降低了系統(tǒng)運行時間。類似的工作還包括蔣清健等［16］提出的多尺度特征融合網(wǎng)絡的番茄葉片病害檢測方法，劉擁民等［17］提出的基于Swin Transformer網(wǎng)絡的番茄葉片病害區(qū)域定位與識別方法。

除上述的蘋果葉片、馬鈴薯葉片和番茄葉片病害檢測任務外，利用當前主流的計算機視覺技術或相關技術的改進方法在玉米、水稻和葡萄葉片病害檢測任務上也取得了突破性的進展，并且在實際場景中也得到了驗證。然而不難發(fā)現(xiàn)，上述方法存在共性，即所有模型均采用單一的視覺特征；此外，模型的性能過度依賴已標注的訓練集，當已訓練過的模型定位與分類新病害葉片時，模型的泛化性能難以獲得預期的結果。

針對上述問題，本文在現(xiàn)有視覺編碼特征的基礎上，引入文本編碼特征，構造一種基于多模態(tài)特征對齊的作物病害葉片檢測新方法。在訓練階段，分別訓練模型對病害區(qū)域的定位能力和分類能力；在推理階段，集成定位與分類模塊，并利用交叉注意力機制實現(xiàn)視覺編碼特征與文本編碼特征的對齊。

1 多模態(tài)特征對齊網(wǎng)絡

1.1 模型結構

所提出基于多模態(tài)特征對齊的作物病害葉片檢測模型主要由訓練階段和推理階段兩部分組成。在訓練階段，首先在粗粒度的農(nóng)作物葉片病害數(shù)據(jù)集上利用視覺編碼器將輸入的農(nóng)作物圖片映射到深度特征空間，并利用自注意力捕獲視覺空間中目標區(qū)域的特征表示，增強模型對病害區(qū)域的定位能力；然后，在細粒度病害區(qū)域數(shù)據(jù)集上利用視覺編碼器編碼壓縮病害區(qū)域在空間中的視覺表達，并利用文本編碼器編碼文本標簽庫；最后，利用交叉注意力實現(xiàn)文本和視覺語義的特征對齊，并借助多層感知機細粒度的分類病害。在推理階段，集成預訓練的目標區(qū)域定位模塊和病害細粒度分類模塊，通過計算預測病害的文本標簽值與真實標簽值間的相似度值，快速給出預測的最終病害類型。模型整體框架如圖1所示。

1.2 視覺編碼

利用特征編碼網(wǎng)絡提取輸入圖片在視覺空間中的編碼特征已成為計算機視覺任務中基礎的步驟［18］。具體地，在訓練階段，首先利用深度自編碼網(wǎng)絡對輸入的圖片進行編碼壓縮，提取中間編碼層的特征表示；然后，為了強化模型對編碼特征圖中目標信息的聚焦能力，在編碼特征圖上構造注意力機制；最后，將強化后的特征圖作為全連接層和多層感知機的輸入，得到目標區(qū)域的位置信息，視覺編碼流程如圖2所示。

圖2所述的視覺編碼主要采用深度自編碼網(wǎng)絡和注意力機制捕獲輸入圖片中的目標區(qū)域信息。此處考慮到農(nóng)作物葉片病害圖片標注成本高、數(shù)量少的特點［19］，為此采用自監(jiān)督的深度自編碼網(wǎng)絡作為特征提取器，將原始病害葉片映射到深度視覺特征空間。具體地，利用深度自編碼網(wǎng)絡的編解碼過程壓縮感知輸入圖片中間層的目標區(qū)域信息，編解碼流程如式（1）和式（2）所示。

Fse=∑Is∈Dtτ（Is）→λ（Fse）=Is′

（1）

lsed=↓（Is，Is′）

（2）

式中：

Fse——中間層的編碼特征；

Is——原始圖片；

Is′——利用編碼特征恢復后的圖片；

τ（·）——編碼器；

λ（·）——解碼器；

Dt——訓練集；

lsed——

原始圖片與恢復圖片間的損失值；

↓（·）——損失函數(shù)。

其次，為了增強深度自編碼網(wǎng)絡編碼壓縮特征的表達能力，在壓縮特征圖上生成自注意力特征圖，自注意力特征圖如式（3）所示。

Fsa=softmaxFseFseTdFse+Fse

（3）

式中：

Fsa——自注意力特征圖；

d——特征難度。

利用自注意力機制強化后的特征圖更聚焦病害區(qū)域，這有助于減少無關背景信息的干擾。

然后，將自注意力特征圖Fsa輸入至多層感知機和全連接層中進行分類和回歸，其中多層感知機的輸出為每個候選框中是否包含感興趣的目標區(qū)域，全連接層的輸出表示候選框的位置信息和大小。最后，在Plant Village葉片病害分類數(shù)據(jù)集上進行訓練，優(yōu)化網(wǎng)絡模型對于目標區(qū)域的定位能力。

1.3 文本編碼

現(xiàn)有的農(nóng)作物病害葉片檢測方法主要借助視覺編碼特征，對數(shù)據(jù)集提供的文本標簽使用不充分。近年來，融合視覺編碼特征與文本語義來強化目標特征集的表達能力已成為計算機視覺領域的熱點研究［20］。具體地，本文首先根據(jù)文本標簽庫建立文本詞典，為每個病害類型建立對應的詞典編號；其次，采用預訓練的BERT作為詞嵌入編碼器，將文本標簽映射為對應的詞向量表示。文本編碼流程如圖3所示。

在文本特征編碼階段，首先將農(nóng)作物病害葉片文本標簽集Dt={d1，d2，…，dk}按照葉片所屬類別進行編號，并根據(jù)預定義的葉片病害種類總數(shù)進行歸一化，生成標簽數(shù)字序列。然后，借助詞向量映射編碼器BERT提取所有標簽文本集的詞向量特征表示，如式（4）所示。

{l1，l2，…，lk}=

β

s11，s12，…，s1m

s21，s22，…，s2m

…

sn1，sn2，…，snm

，…，

s11，s12，…，s1m

s21，s22，…，s2m

…

sn1，sn2，…，snm

=∑ki=1Vsi

（4）

式中：

{l1，l2，…，lk}——

多個農(nóng)作物葉片病害數(shù)據(jù)集的文本標簽數(shù)字序列；

β（·）——BERT文本編碼器；

Vsi——

經(jīng)過編碼后的第i個數(shù)據(jù)集文本標簽的詞向量表示，i∈k。

1.4 多模態(tài)特征對齊

為了實現(xiàn)文本與視覺多模態(tài)編碼特征的對齊，此處采用交叉注意力機制融合視覺編碼特征Fsa和文本編碼特征Vsi。首先使用式（5）所示的交叉注意力機制融合視覺模態(tài)和文本模態(tài)的編碼特征。主要是因為視覺和文本表示雖為不同模態(tài)，但均表示相同的目標類，因此模態(tài)間的交叉注意力機制有助于強化不同模態(tài)特征攜帶目標信息的表達能力。

Fv|t=softmaxFsaVsiTdFsa

（5）

式中：

Fv|t——

視覺與文本不同模態(tài)的融合特征。

其次，為了獲得目標區(qū)域對應的文本標簽，將模態(tài)融合特征作為長短時記憶神經(jīng)網(wǎng)絡（Long Short-Term Memory， LSTM）［21］的輸入，并利用多層感知機預測對應目標區(qū)域的具體病害類型。最后，根據(jù)所預測的文本標簽值與真實標簽值間的交叉熵損失，端到端優(yōu)化分類模型的參數(shù)。交叉熵損失函數(shù)計算如式（6）所示。

Ls（y′，y）=－∑ni=1p（y）log（y′）

（6）

式中：

Ls（y，y′）——交叉損失值；

y′——預測的文本標簽；

y——真實的文本標簽。

2 農(nóng)作物病害葉片檢測

在訓練階段，首先以粗粒度的目標定位和細粒度的分類為子任務進行單一模塊化訓練，然而單一優(yōu)化的模塊并非整體最優(yōu)。為了優(yōu)化定位與分類集成模型的參數(shù)，利用訓練集對集成模型進行微調(diào)。集成模型的整體流程如圖4所示。

在推理階段，首先將待測試的農(nóng)作物病害圖片送入到預訓練的視覺編碼特征提取網(wǎng)絡中，捕獲整張圖片中的目標區(qū)域位置信息，并在原始輸入圖片中提取所捕獲的目標區(qū)域子圖。其次，將提取的子圖重新送入到預訓練的目標區(qū)域定位網(wǎng)絡中，編碼壓縮得到目標區(qū)域對應的目標視覺特征。

為了實現(xiàn)視覺語義與文本標簽語義的對齊，分別計算文本編碼特征與目標區(qū)域的視覺編碼特征的交叉注意力，計算如式（5）所示。將融合的視覺模態(tài)和文本模態(tài)的交叉注意力特征作為長短時記憶神經(jīng)網(wǎng)絡和多層感知機的輸入，預測對應目標區(qū)域的文本標簽特征。

由于光照、溫度和其他外界或人為因素的影響，農(nóng)作物葉片的病害類型不斷增加，這給傳統(tǒng)基于深度學習的方法增加了難度，因為該類新增加的葉片病害圖片并不存在于訓練集。然而，在所設計的方法中，采用了文本和視覺多模態(tài)融合的方法可以有效解決上述傳統(tǒng)模型所面對的瓶頸問題。一方面，所設計方法通過計算所預測目標區(qū)域對應的文本標簽是否存在文本集詞典中，即可完成預測正確與否的判定；另一方面，當新增加葉片病害類型時，所提出方法還可以實時添加新增加葉片病害類型的文本表示而無需再次訓練視覺與文本編碼器，有效緩解了傳統(tǒng)模型泛化性不強的問題。

3 試驗與分析

3.1 試驗環(huán)境與數(shù)據(jù)集介紹

所設計方法的所有變體模型均在Windows 10平臺上進行試驗，硬件資源選擇3060Ti GPU 8GB。軟件資源選擇Python編程語言，PyCharm編輯器，并選擇Pytorch深度學習框架搭建模型結構。設定初始學習率為0.000 1，batch大小設為8，優(yōu)化器選擇Adam。不同模態(tài)環(huán)境下模型訓練階段的損失曲線如圖5所示。

為驗證所設計方法對多種農(nóng)作物病害葉片的檢測性能，分別在Plant Village數(shù)據(jù)集上收集與整理番茄、馬鈴薯、蘋果和草莓四種作物葉片的病害數(shù)據(jù)集，總共包含10 360張健康葉片和4 086張病害葉片，并按照8∶2的比例劃分為訓練集和測試集。具體地，所選取的馬鈴薯、番茄、蘋果和草莓葉片健康數(shù)據(jù)分別為3 680張、3 190張、2 136張和1 354張；病害葉片分別為920張、1 060張、1 558張和548張。其中，馬鈴薯病害葉片類型包括炭疽病、黑斑病、灰霉病、黃葉病和健康葉片；番茄病害葉片類型包括葉霉病、灰葉斑病、黃葉病、白粉病、黃曲葉病和健康葉片；蘋果病害葉片類型包括花葉病、銹病、褐斑病、灰斑病和健康葉片；草莓病害葉片類型包括葉斑病、灰霉病、白粉病、黃萎病和健康葉片。

3.2 評價指標

為評估所設計方法的優(yōu)越性，選擇當前主流的目標分類評價指標：精準率、召回率和F1分數(shù)。計算如式（7）所示。

精準率=tt+f

召回率=tt+g

F1分數(shù)=2×精準率×召回率精準率+召回率

（7）

式中：

t——模型正確預測的樣本總數(shù)；

f——誤報的樣本總數(shù)；

g——漏報的樣本總數(shù)。

3.3 試驗結果與分析

選擇當前經(jīng)典的目標檢測模型：YOLOv4、Faster R-CNN、ResNet-50、Inception v3、AlexNet、CNN+Attention，并按照馬鈴薯、番茄、蘋果和草莓等作物類型進行粗粒度的分類。所有模型的對比結果如表1所示。

可以看出，在馬鈴薯葉片、番茄葉片、蘋果葉片和草莓葉片數(shù)據(jù)集上，所提出方法在精準率、召回率和F1分數(shù)方面均取得了最高的檢測結果，表明所設計方法具有較好的魯棒性和泛化性。主要原因是所設計方法采用了文本編碼和視覺編碼的混合特征作為分類和定位的依據(jù)，試驗結果驗證了結合文本和視覺模態(tài)可以顯著提升模型對于病害區(qū)域的定位和分類能力。其次，所設計方法在訓練階段，采用單一優(yōu)化原則，即在定位和分類子模塊上進行局部最優(yōu)，然后利用訓練數(shù)據(jù)集再次微調(diào)集成模型，有效提高了模型對目標區(qū)域特征的捕獲能力和分類能力。

此外，在測試速率方面，在原始測試集上隨機選擇100張圖片，并包含四種作物的健康葉片和病害葉片，所提出方法的測試時間開銷為95 s，雖然相比其余對比模型有所增加，但增加時間的幅度僅為10 s，這在實際應用中也是可以接受的。

為了進一步驗證所設計模型的細粒度分類能力，分別在馬鈴薯病害葉片、番茄病害葉片、蘋果病害葉片和草莓病害葉片數(shù)據(jù)集中包含的17種病害類型和4種健康葉片上進行細粒度分類，評價指標選擇精準率，不同方法的細粒度分類結果如表2和表3所示。在21種作物葉片細粒度的分類結果中，所設計方法均取得了最佳精準率，整體優(yōu)勢明顯。這進一步表明所設計方法具有較強的泛化性，可以用于實際農(nóng)田作物葉片病害的檢測任務中。為了直觀展示所設計方法的優(yōu)越性，圖6為本文方法和所有對比方法在馬鈴薯、番茄、蘋果也草莓四種葉片病害類型上的檢測可視化結果。圖6中僅選擇部分檢測結果進行展示，并選擇置信度最高的三個候選框作為最終的目標區(qū)域，可視化結果為三個候選框的平均值?？梢钥闯觯O計方法能夠更多地捕獲病害區(qū)域，并且誤報或漏報的情況較少。

3.4 消融試驗

所提出基于多模態(tài)特征對齊的作物病害葉片檢測模型主要包括視覺編碼和文本編碼兩部分，為了驗證視覺模態(tài)和文本模態(tài)在所提出模型性能提升中的作用，設計了以下3組消融試驗，具體結果如表4所示。

相比文本模態(tài)，視覺模態(tài)攜帶的信息更有助提升分類的性能。然而，最好的檢測結果是融合視覺模態(tài)和文本模態(tài)后的集成模型。所設計方法融合視覺模態(tài)和文本模態(tài)后的集成模型可以實現(xiàn)0.966 8的精準率、0.953 6的召回率和0.952 9的F1分數(shù)。

此外，為了驗證融合視覺模態(tài)和文本模態(tài)的集成模型對整張圖片中病害區(qū)域的定位能力，分別選擇部分病害圖片進行測試，具體測試結果如圖7所示?？梢钥闯觯岢龇椒梢跃珳识ㄎ徽麖垐D片中的病害區(qū)域，并且可以判斷出病害圖片顏色的深淺。因為顏色越深，病害區(qū)域越明顯，攜帶的有價值信息越多。

4 結論

針對現(xiàn)有單一使用視覺特征的作物病害葉片檢測方法泛化性不強，特征信息利用不充分的問題，提出一種基于多模態(tài)特征對齊的作物病害葉片檢測新方法。通過建立視覺模態(tài)和文本模態(tài)間的信息交互，增強模型對整張圖片中病害區(qū)域的定位能力。在馬鈴薯、番茄、蘋果和草莓四種類型的病害葉片數(shù)據(jù)集上進行測試。

1） 所提出方法在馬鈴薯、番茄、蘋果和草莓四種類型的病害葉片數(shù)據(jù)集上分別可以實現(xiàn)0.957 4、0.961 1、0.958 0和0.950 2的精準率，綜合性能更優(yōu)。

2） 分別建立目標區(qū)域定位模塊和病害類型細粒度分類模塊，有助于在測試階段實時添加新增加的病害類型而無需訓練視覺與文本編碼器，有效降低測試成本。

3） 提出一種融合視覺與文本特征的交叉注意力，建立視覺模態(tài)和文本模態(tài)間的語義對齊，強化模型對病害區(qū)域的定位能力。

在未來的工作中，嘗試利用對比學習的方法實現(xiàn)文本模態(tài)和視覺模態(tài)間的語義對齊，挖掘模態(tài)間的共有語義信息，進一步提升模型對病害區(qū)域的定位能力。

參 考 文 獻

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

［2］劉闐宇， 馮全， 楊森. 基于卷積神經(jīng)網(wǎng)絡的葡萄葉片病害檢測方法［J］. 東北農(nóng)業(yè)大學學報， 2018， 49（3）： 73-83.

Liu Tianyu， Feng Quan， Yang Sen. Detecting grape diseases based on convolutional neural network ［J］. Journal of Northeast Agricultural University， 2018， 49（3）： 73-83.

［3］Amritha Haridasan， Jeena Thomas， Ebin Deniraj. Deep learning system for paddy plant disease detection and classification ［J］. Environmental Monitoring and Assessment， 2023， 195（1）： 120.

［4］Prabhjot Kaur， Shilpi Harnal， Vinay Gautam， et al. A novel transfer deep learning method for detection and classification of plant leaf disease ［J］. Journal of Ambient Intelligence and Humanized Computing， 2023， 14（9）： 12407-12424.

［5］張梓婷， 韓金玉， 張東輝， 等. 基于顏色矩的土豆、玉米、蘋果葉片病害異常檢測［J］. 浙江農(nóng)業(yè)學報， 2022， 34（10）： 2230-2239.

Zhang Ziting， Han Jinyu， Zhang Donghui， et al. Anomaly detection of potato， maize and apple leaf diseases based on color moments ［J］. Acta Agriculturae Zhejiangensis， 2022， 34（10）： 2230-2239.

［6］Chen Junde， Zhang Defu， Nanehkaran Yaser， et al. Detection of rice plant diseases based on deep transfer learning ［J］. Journal of the Science of Food and Agriculture， 2020， 100（7）： 3246-3256.

［7］劉敏， 周麗. 基于多尺度特征融合網(wǎng)絡的蘋果病害葉片檢測［J］. 中國農(nóng)機化學報， 2023， 44（8）： 184-190.

Liu Min， Zhou Li. Apple disease leaf detection based on multi-scale feature fusion network ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（8）： 184-190.

［8］公徐路， 張淑娟. 基于改進YOLOv5s的蘋果葉片小目標病害輕量化檢測方法［J］. 農(nóng)業(yè)工程學報， 2023， 39（19）： 175-184.

Gong Xulu， Zhang Shujuan. Lightweight detection on small target diseases in apple leaf using improved YOLOv5s ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（19）： 175-184.

［9］曾晏林， 賀壹婷， 藺瑤， 等. 基于BCE-YOLOv5的蘋果葉部病害檢測方法［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 155-163.

Zeng Yanlin， He Yiting， Lin Yao， et al. Apple leaf disease detection method based on BCE-YOLOv5 ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 155-163.

［10］趙嘉威， 田光兆， 邱暢， 等. 基于改進YOLOv4算法的蘋果葉片病害檢測方法［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（9）： 193-199.

Zhao Jiawei， Tian Guangzhao， Qiu Chang， et al. Apple leaf disease detection method based on improved YOLOv4 algorithm ［J］. Jiangsu Agricultural Sciences， 2023， 51（9）： 193-199.

［11］孫長蘭， 林海峰. 一種基于集成學習的蘋果葉片病害檢測方法［J］. 江蘇農(nóng)業(yè)科學， 2022， 50（20）： 41-47.

Sun Changlan， Lin Haifeng. An apple leaf disease detection method based on ensemble learning ［J］. Jiangsu Agricultural Sciences， 2022， 50（20）： 41-47.

［12］邢鵬康， 李久朋. 基于小樣本學習的馬鈴薯葉片病害檢［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 203-210.

Xing Pengkang， Li Jiupeng. Potato leaf disease detection based on few-shot learning ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 203-210.

［13］趙越， 趙輝， 姜永成， 等. 基于深度學習的馬鈴薯葉片病害檢測方法［J］. 中國農(nóng)機化學報， 2022， 43（10）： 183-189.

Zhao Yue， Zhao Hui， Jiang Yongcheng， et al. Detection method of potato leaf diseases based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 183-189.

［14］章廣傳， 李彤， 何云， 等. 基于遷移模型集成的馬鈴薯葉片病害識別方法［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 216-224.

Zhang Guangchuan， Li Tong， He Yun， et al. Potato leaf disease recognition method based on ensemble of transfer learning models ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 216-224.

［15］儲鑫， 李祥， 羅斌， 等. 基于改進YOLOv4算法的番茄葉部病害識別方法［J］. 江蘇農(nóng)業(yè)學報， 2023， 39（5）： 1199-1208.

Chu Xin， Li Xiang， Luo Bin， et al. Tomato leaf disease recognition method based on improved YOLOv4 algorithm ［J］. Jiangsu Agricultural Sciences， 2023， 39（5）： 1199-1208.

［16］蔣清健， 姚勇， 王亞玲， 等. 基于多尺度卷積神經(jīng)網(wǎng)絡算法的番茄葉片病害識別［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 211-216.

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

［17］劉擁民， 劉翰林， 石婷婷， 等. 一種優(yōu)化的Swin Transformer番茄葉片病害識別方法［J］. 中國農(nóng)業(yè)大學學報， 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.

［18］Tiago Domingues， Brandao， Joao Ferreira. Machine learning for detection and prediction of crop diseases and pests： A comprehensive survey ［J］. Agriculture， 2022， 12（9）： 1350.

［19］Shahi Tejbahadur， Xu Chengyuan， Neupane Arjun， et al. Recent advances in crop disease detection using UAV and deep learning techniques ［J］. Remote Sensing， 2023， 15（9）： 2450.

［20］Chai Wenhao， Wang Gaoang. Deep vision multimodal learning： Methodology， benchmark， and trend ［J］. Applied Sciences， 2022， 12（13）： 6588.

［21］陳智超， 汪國強， 李飛， 等. 基于Bi-LSTM與多尺度神經(jīng)網(wǎng)絡模型的番茄病害識別［J］. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 194-203.

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