基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測

牛學(xué)德　高丙朋　南新元　石躍飛

摘要： 針對傳統(tǒng)的圖像識別方法存在人工提取特征困難、識別耗時長和準(zhǔn)確率低等問題，本研究以感染病害的番茄葉片和健康番茄葉片共10類圖像為研究對象，提出了1種遷移學(xué)習(xí)和DenseNet卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型，實現(xiàn)了對番茄葉部病害的準(zhǔn)確分類。首先將所有的圖像數(shù)據(jù)進(jìn)行預(yù)處理修改尺寸，對部分?jǐn)?shù)量不均衡樣本作隨機(jī)變換;然后將DenseNet網(wǎng)絡(luò)從ImageNet數(shù)據(jù)集上學(xué)習(xí)獲得的先驗知識應(yīng)用到番茄病害圖片數(shù)據(jù)集上，進(jìn)而構(gòu)建出基于遷移學(xué)習(xí)的深度卷積網(wǎng)絡(luò)，經(jīng)過微調(diào)訓(xùn)練得到番茄葉部病害識別模型。結(jié)果表明，該模型與AlexNet網(wǎng)絡(luò)、VGG網(wǎng)絡(luò)+遷移學(xué)習(xí)和MobileNet網(wǎng)絡(luò)+遷移學(xué)習(xí)3種深度卷積模型相比，識別精度更高，測試準(zhǔn)確率達(dá)到97.76%，實現(xiàn)了對10種番茄葉部圖像的有效分類，為番茄等農(nóng)作物病害的識別技術(shù)以及智慧農(nóng)業(yè)的發(fā)展提供了新的思路與方法。

關(guān)鍵詞： 圖像識別;番茄;病害;遷移學(xué)習(xí);DenseNet卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號： TP391.4 文獻(xiàn)標(biāo)識碼： A 文章編號： 1000-4440（2022）01-0129-06

Abstract： Aiming at the problems of traditional image recognition methods such as difficulty in manually extracting features， long recognition time and low accuracy， ten types of images of healthy tomato leaves and tomato leaves infected with diseases were taken as the research objects， and a model combining transfer learning and DenseNet convolutional neural network was proposed to realize the accurate classification of tomato leaf diseases. Firstly， all image data were preprocessed to modify the size， and some unbalanced samples were randomly transformed. Then， the prior knowledge learned by DenseNet network from ImageNet dataset was applied to tomato disease image dataset， and a deep convolutional network based on transfer learning was constructed. Moreover， the tomato leaf disease identification model was obtained by fine-tuning training. The results showed that the recognition accuracy of this model was higher than that of AlexNet network， VGG network+transfer learning and MobileNet network+transfer learning， and the test accuracy was 97.76%. In short， the model constructed in this study can realize the effective classification of ten types of tomato leaf disease images， and can provide new ideas and methods for the identification technology of tomato and other crop diseases and the development of intelligent agriculture.

Key words： image recognition;tomato;disease;transfer learning;DenseNet convolutional neural network

番茄原產(chǎn)自南美洲，在中國南方和北方地區(qū)栽培廣泛，是重要的經(jīng)濟(jì)作物之一[1]。番茄的大多數(shù)病害都由葉部開始發(fā)病，接著蔓延到整個植株，所以能夠及時準(zhǔn)確地識別出葉部的病害種類格外重要。以往通常都是菜農(nóng)憑借自身經(jīng)驗對病害進(jìn)行識別，或者請相關(guān)的技術(shù)人員和農(nóng)業(yè)專家進(jìn)行檢查指導(dǎo)[2]。這類人工方法存在著許多缺陷，工作量大，識別效率低，同時易受視覺疲勞的影響，降低識別的準(zhǔn)確率。

隨著計算機(jī)的發(fā)展，尤其是大數(shù)據(jù)共享和計算機(jī)硬件設(shè)備性能的提升，將智能識別技術(shù)應(yīng)用到農(nóng)業(yè)生產(chǎn)中是未來智慧農(nóng)業(yè)的發(fā)展趨勢[3-4]。許良鳳等[5]提出了一種對圖像多個單一特征進(jìn)行自適應(yīng)融合的多分類器方法來實現(xiàn)對玉米病害的準(zhǔn)確識別。黃雙萍等[6]提出利用Inception模塊多尺度卷積核對不同特征進(jìn)行提取并融合的方法來實現(xiàn)水稻穗瘟病的精準(zhǔn)檢測。李文勇等[7]提出了一種基于不同顏色空間特征和紋理特征的多姿態(tài)害蟲分類方法。Iqbal等[8]提出了一種基于圖像處理和機(jī)器學(xué)習(xí)的馬鈴薯葉部病害自動識別和分類系統(tǒng)對患病和健康葉片進(jìn)行分類。Mondal等[9]采用皮爾遜相關(guān)系數(shù)技術(shù)來根據(jù)特定類型的葉子圖像設(shè)置關(guān)鍵特征對黃秋葵葉和苦瓜葉進(jìn)行識別。張建華等[10]提出了一種將粗糙集和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對4種棉花病害進(jìn)行識別分類，識別準(zhǔn)確率達(dá)到92.72%。以上病蟲害的分類識別方法中，都需要人為選擇圖像中病害的特征來構(gòu)建分類器，費時費力，分類準(zhǔn)確率不高，并且特征的自學(xué)習(xí)能力較差，不具有普適性。

在番茄的生長發(fā)育過程中，葉霉病病葉、二斑葉螨病病葉、輪斑病病葉、花葉病病葉以及健康的番茄葉片之間的外觀特征極為相似，容易讓人分辨不清，導(dǎo)致番茄病害識別結(jié)果錯誤。卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)的模型，它能夠經(jīng)過多次卷積計算，對一些肉眼難以提取的特征進(jìn)行學(xué)習(xí)和表達(dá)，高質(zhì)量完成各種計算機(jī)視覺任務(wù)[11]。但它十分依賴龐大的已標(biāo)記數(shù)據(jù)庫，現(xiàn)實情況下大規(guī)模數(shù)據(jù)庫的構(gòu)建非常困難，而遷移學(xué)習(xí)能夠解決訓(xùn)練數(shù)據(jù)不足這一難題，將已學(xué)到的模型參數(shù)應(yīng)用到新模型上來加快模型的訓(xùn)練，具有資源充分利用的特點[12]。本研究就是在DenseNet網(wǎng)絡(luò)的基礎(chǔ)上，利用該模型特征復(fù)用的優(yōu)點對番茄葉部病害細(xì)微特征進(jìn)行有效利用，結(jié)合遷移學(xué)習(xí)和微調(diào)的思想，抑制本研究中使用小樣本數(shù)據(jù)易產(chǎn)生過擬合的問題，進(jìn)而構(gòu)建番茄葉部病害癥狀和健康葉片的分類模型，通過對番茄葉部病害癥狀特征的訓(xùn)練以及自學(xué)習(xí)，對番茄葉部病害進(jìn)行檢測。

1 材料與方法

1.1 數(shù)據(jù)集描述

本研究所采用的番茄病害葉片圖像數(shù)據(jù)集來自Plant Village工程，此數(shù)據(jù)集包含9類病害葉片圖像和1類健康葉片圖像，對部分?jǐn)?shù)量不均衡樣本進(jìn)行增強(qiáng)和擴(kuò)充后共計18 796張RGB病害圖像樣本。

1.2 試驗平臺

本研究的試驗環(huán)境為Windows 64位系統(tǒng)，內(nèi)存為2×8 GB，固態(tài)硬盤500 G，機(jī)械硬盤2 TB，搭載AMD Ryzen5 3600處理器，顯卡為NVIDIA GeForce 2 070 s（8 G），軟件環(huán)境包括CUDA 10.2，Anaconda 4.8.4，使用Python語言編程，使用Pytorch框架進(jìn)行模型的搭建及訓(xùn)練。

1.3 參數(shù)設(shè)置

試驗采用多個批次（batch）進(jìn)行訓(xùn)練，設(shè)置Batch size為32; Epochs為50;采用的優(yōu)化器為Adam優(yōu)化器，初始學(xué)習(xí)率Learning rate設(shè)置為0.000 1，自動下降參數(shù)step size為10，gamma為0.5;損失函數(shù)采用SoftMax交叉熵?fù)p失函數(shù)，函數(shù)定義為：

L=-nk=1Ci=1tkilgyki（1）

式中，n為單張圖片的像素;tki為像素點k屬于類別i的概率;yki為分類網(wǎng)絡(luò)將像素點k預(yù)測為類別i的概率。

1.4 數(shù)據(jù)預(yù)處理

圖片的原始尺寸是256×256像素，考慮到圖像的尺寸應(yīng)與網(wǎng)絡(luò)的輸入尺寸相符，將圖像的尺寸統(tǒng)一修改為227×227像素，同時還采用了Python腳本語言對部分不均衡樣本進(jìn)行了隨機(jī)翻轉(zhuǎn)、隨機(jī)角度旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)操作。

1.5 DenseNet模型

DenseNet模型[13]擺脫了以往的通過加深網(wǎng)絡(luò)層數(shù)或者拓寬網(wǎng)絡(luò)結(jié)構(gòu)來改善網(wǎng)絡(luò)性能的固定思維，對網(wǎng)絡(luò)的特征提取進(jìn)行了改進(jìn)，設(shè)計了特征復(fù)用結(jié)構(gòu)，增添了旁路設(shè)置，不僅極大程度上對網(wǎng)絡(luò)的參數(shù)量進(jìn)行了縮減，而且對于梯度消失起到了一定的緩解作用，對特征的極致利用達(dá)到了更好的效果[14]。

1.5.1 密集連接模塊 密集連接網(wǎng)絡(luò)是在殘差網(wǎng)絡(luò)基礎(chǔ)上演變而來的，殘差網(wǎng)絡(luò)的連接方式是每層與其前面的一或兩層通過相加的方法進(jìn)行短路連接，即增加了來自上一層的輸入：

xl=Hl（xl-1）+xl-1（2）

與其不同的是，DenseNet采用密集連接機(jī)制，互相連接所有的層，每一層都會和前面的所有層在通道維度上進(jìn)行連接，實現(xiàn)特征重用，即：

xl=Hl[（x0，x1，…，xl-1）]（3）

其中，xl為第l層輸入，它接受前面所有層的所有卷積特征x0～xl-1;（x0，x1，…，xl-1）為輸入層至l-1層的輸出特征圖進(jìn)行拼接的操作;Hl（*）是非線性轉(zhuǎn)化函數(shù)，該函數(shù)是一個包含BN層、ReLU層以及卷積層的組合操作。

標(biāo)準(zhǔn)卷積模塊和密集連接模塊的結(jié)構(gòu)分別如圖1a和圖1b所示。

其中，圖1a是一個標(biāo)準(zhǔn)的卷積模塊，1個層的網(wǎng)絡(luò)擁有L個連接。圖1b是密集連接模塊，通過前饋的方式來將層與層緊密相連，1個L層的網(wǎng)絡(luò)有L（L-1）/2個連接，使得前期層的特征能夠被后面的其他層重復(fù)利用[15]。

1.5.2 Transition模塊 Transition模塊的作用是壓縮模型，2個相同尺寸的特征圖的密集塊之間，在2×2的池化層之前引入一個1×1的卷積層來對尺寸大小進(jìn)行降維處理[16]。DenseNet網(wǎng)絡(luò)中壓縮因子設(shè)置為0.5，則傳遞到下一個密集塊的通道數(shù)就會減少一半，參數(shù)量更少，能夠提高網(wǎng)絡(luò)模型的收斂速度，網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

1.6 遷移學(xué)習(xí)

遷移學(xué)習(xí)是指網(wǎng)絡(luò)先在源領(lǐng)域中進(jìn)行學(xué)習(xí)，再將學(xué)習(xí)到的先驗知識應(yīng)用到目標(biāo)領(lǐng)域[17]（圖3）。遷移學(xué)習(xí)由于其具有獨特的小樣本學(xué)習(xí)優(yōu)勢在諸多領(lǐng)域備受關(guān)注，該方法能夠減少訓(xùn)練深度學(xué)習(xí)模型所需要的數(shù)據(jù)樣本量，降低對硬件計算能力的要求，在圖像分類領(lǐng)域的應(yīng)用十分廣泛，同時能夠?qū)D像數(shù)據(jù)進(jìn)行快速有效的分類，對解決小數(shù)據(jù)集訓(xùn)練容易出現(xiàn)的過擬合問題有很大的幫助[18]。

本研究所采用的是模型微調(diào)的遷移學(xué)習(xí)方式，充分利用了DenseNet預(yù)訓(xùn)練模型在ImageNet大型公開數(shù)據(jù)集上學(xué)習(xí)獲得的先驗知識，結(jié)合遷移學(xué)習(xí)策略將其應(yīng)用到番茄葉部病害圖像識別問題上，基于DenseNet網(wǎng)絡(luò)的遷移學(xué)習(xí)具體流程如圖4所示。

DenseNet網(wǎng)絡(luò)是通過包含1.0×106多張圖像的大型數(shù)據(jù)庫ImageNet訓(xùn)練而成的，擁有著大量已經(jīng)訓(xùn)練好的權(quán)重與參數(shù)，具備較強(qiáng)的深層特征提取和學(xué)習(xí)能力，尤其是卷積層對圖像的曲線、邊緣、輪廓等部位的特征提取[19]。為了避免繁重的從頭訓(xùn)練任務(wù)，減小網(wǎng)絡(luò)訓(xùn)練的時間，提高網(wǎng)絡(luò)模型的訓(xùn)練效率，將訓(xùn)練好的DenseNet網(wǎng)絡(luò)作為本研究的預(yù)訓(xùn)練模型，再結(jié)合遷移學(xué)習(xí)微調(diào)的方法，將其參數(shù)應(yīng)用到本研究模型中，通過預(yù)訓(xùn)練模型的知識優(yōu)化卷積層來解決番茄病害識別問題。

2 結(jié)果與分析

2.1 基于改進(jìn)DenseNet網(wǎng)絡(luò)模型的番茄葉片病害分類

為確定最佳分類準(zhǔn)確性的試驗訓(xùn)練集，設(shè)定最小訓(xùn)練集為圖像樣本數(shù)據(jù)量的10%，按10%的比例增量依次增加至90%[20]，每個訓(xùn)練集被訓(xùn)練50個Epoch。圖5分別顯示了9次試驗下不同比例的分類準(zhǔn)確率。

由圖5可知，在模型的訓(xùn)練階段使用更多的訓(xùn)練數(shù)據(jù)可以提高分類的準(zhǔn)確率，設(shè)置Epoch為50，其中每一個Epoch都被定義為訓(xùn)練集中每個樣本的一個完整的訓(xùn)練周期，選擇限制在50個Epoch是基于經(jīng)驗觀察，即學(xué)習(xí)過程能夠很好地收斂。訓(xùn)練數(shù)據(jù)占比由10%遞增到90%，測試準(zhǔn)確率由90.00%提高到97.76%，呈現(xiàn)出逐步上升趨勢;同時損失率由0.9%下降到0.3%，呈現(xiàn)出下降趨勢，當(dāng)訓(xùn)練集與測試集比例為9∶1時網(wǎng)絡(luò)達(dá)到最優(yōu)的準(zhǔn)確率。

為了驗證本研究模型的性能，同時使用AlexNet網(wǎng)絡(luò)模型、Vgg16網(wǎng)絡(luò)+遷移學(xué)習(xí)模型、MobileNet網(wǎng)絡(luò)+遷移學(xué)習(xí)模型對番茄病害圖像進(jìn)行識別，測試準(zhǔn)確率如圖6所示。

由圖6可知，相比較AlextNet網(wǎng)絡(luò)模型而言，結(jié)合使用遷移學(xué)習(xí)的模型訓(xùn)練一開始就有較高的準(zhǔn)確率，并且收斂速度很快，在前5個Epoch就能達(dá)到一個小范圍內(nèi)的穩(wěn)定狀態(tài)，原因是它們已經(jīng)有了在大型ImageNet數(shù)據(jù)集上訓(xùn)練好的參數(shù)，不需要重復(fù)更新參數(shù)。而AlextNet是從零開始訓(xùn)練，剛開始時準(zhǔn)確率較低，隨著迭代次數(shù)增加準(zhǔn)確率逐漸上升，在Epoch達(dá)到25時曲線呈現(xiàn)收斂狀態(tài)，準(zhǔn)確率達(dá)到91.80%;MobileNet+遷移學(xué)習(xí)的輕量級模型訓(xùn)練過程快，參數(shù)量較少，特征提取能力較差，準(zhǔn)確率為91.20%;Vgg16作為一種通用型的分類模型，Vgg16+遷移學(xué)習(xí)模型在細(xì)粒度分類任務(wù)上表現(xiàn)稍差，準(zhǔn)確率為93.10%;由于Densenet自身網(wǎng)絡(luò)結(jié)構(gòu)具有特征復(fù)用的優(yōu)勢，再結(jié)合遷移學(xué)習(xí)微調(diào)策略，相比較其他2種遷移方法而言能夠在番茄葉部病害識別上獲得更好的效果，準(zhǔn)確率達(dá)到97.76%。

根據(jù)本研究模型的分類結(jié)果計算出混淆矩陣進(jìn)行誤差分析，如圖7所示。

其中混淆矩陣的橫坐標(biāo)代表預(yù)測類別，縱坐標(biāo)代表真實標(biāo)簽，編號為001的類別1（細(xì)菌性斑點?。嶋H為170個測試樣本，正確分類了165個樣本，其他5個樣本分別被錯誤分類為早疫病、斑枯病、輪斑病，類別1的分類準(zhǔn)確率為97.10%，同理可知，類別2～類別10的分類準(zhǔn)確率分別為98.44%、97.48%、97.84%、97.34%、94.86%、99.43%、97.81%、98.32%、98.98%，其中細(xì)菌性斑點病和斑枯病病癥特征比較相似，容易造成誤分類，總體而言，本研究模型的識別率較高，能夠滿足現(xiàn)實生產(chǎn)中番茄葉部病害檢測的要求。

2.2 與其他模型分類結(jié)果的對比

當(dāng)前，在圖像處理方向上對番茄葉部病蟲害檢測識別進(jìn)行的研究方法多種多樣，為了進(jìn)一步對試驗結(jié)果做出客觀評價，特將本研究算法與其他已有的同類型研究的結(jié)果進(jìn)行了對比（表1）。

其中本研究所使用的數(shù)據(jù)集與文獻(xiàn)[21]、文獻(xiàn)[22]、文獻(xiàn)[23]、文獻(xiàn)[24]中所用模型使用的數(shù)據(jù)集相同，文獻(xiàn)[21]中所用的模型在提升網(wǎng)絡(luò)性能的同時縮短了訓(xùn)練時間，但是模型占用內(nèi)存較大;文獻(xiàn)[22]中所用的模型具有較高的魯棒性，卻仍然存在過擬合;文獻(xiàn)[23]中所用的模型采用圖像分割使模型具有較高的準(zhǔn)確率，但是模型參數(shù)過多，訓(xùn)練周期長;文獻(xiàn)[24]將所用模型應(yīng)用到安卓平臺，然而識別精度較低。本研究模型的識別準(zhǔn)確率較以上文獻(xiàn)所用的模型分別高出2.14個百分點、8.78個百分點、0.54個百分點、5.06個百分點;文獻(xiàn)[25]和文獻(xiàn)[26]中采用的AI Challenger 挑戰(zhàn)賽數(shù)據(jù)集是在Plant Village數(shù)據(jù)集的基礎(chǔ)上衍生而來的，根據(jù)不同的病害程度來劃分種類。其中文獻(xiàn)[25]中所用的模型具有較高的可移植性，對番茄病害分類的準(zhǔn)確率有待提升;文獻(xiàn)[26]中所用的模型具有較高的穩(wěn)定性，但是分類種類較少，準(zhǔn)確率較低。經(jīng)過對比，本研究模型的識別準(zhǔn)確率相對文獻(xiàn)[25]和文獻(xiàn)[26]中所用模型分別提高4.63個百分點和9.56個百分點。因此，本研究提出的番茄病害識別模型具有較高的識別準(zhǔn)確率，該模型具有DenseNet網(wǎng)絡(luò)的復(fù)用特征，使每層信息流達(dá)到最大，對重要特征進(jìn)行多次利用、充分學(xué)習(xí);同時還具備遷移學(xué)習(xí)抑制小樣本數(shù)據(jù)過擬合、減少訓(xùn)練時間成本的優(yōu)勢，通過對比分析充分證明了本研究模型的有效性。

3 結(jié)語

本研究提出將卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)相結(jié)合的深度模型應(yīng)用于番茄葉部病害識別上，將已經(jīng)訓(xùn)練成熟的DenseNet模型參數(shù)進(jìn)行遷移和微調(diào)，提取出每張圖片的特征在SoftMax分類器中完成分類任務(wù)。結(jié)果表明，本研究提出的模型較AlexNet網(wǎng)絡(luò)以及其他2種網(wǎng)絡(luò)+遷移學(xué)習(xí)模型具有更好的分類性能，準(zhǔn)確率更高且收斂速度更快，能夠?qū)?0種類別的番茄葉部病害準(zhǔn)確分類，基本可以達(dá)到農(nóng)業(yè)生產(chǎn)應(yīng)用的要求。

參考文獻(xiàn)：

[1] 周 蓉，趙統(tǒng)敏，趙麗萍，等.高光澤番茄育種及果實表面光澤度[J].江蘇農(nóng)業(yè)學(xué)報，2018，34（6）：1437-1440.

[2] 王翔宇，溫皓杰，李鑫星，等.農(nóng)業(yè)主要病害檢測與預(yù)警技術(shù)研究進(jìn)展分析[J].農(nóng)業(yè)機(jī)械學(xué)報，2016，47（9）：266-277.

[3] 孫 紅，李 松，李民贊，等.農(nóng)業(yè)信息成像感知與深度學(xué)習(xí)應(yīng)用研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報，2020，51（5）：1-17.

[4] YANE D.Design of intelligent agriculture management information system based on IoT [C].Shenzhen：IEEE， 2011.

[5] 許良鳳，徐小兵，胡 敏，等.基于多分類器融合的玉米葉部病害識別[J].農(nóng)業(yè)工程學(xué)報，2015，31（14）：194-201，315.

[6] 黃雙萍，孫 超，齊 龍，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J].農(nóng)業(yè)工程學(xué)報，2017，33（20）：169-176.

[7] 李文勇，李 明，陳梅香，等.基于機(jī)器視覺的作物多姿態(tài)害蟲特征提取與分類方法[J].農(nóng)業(yè)工程學(xué)報，2014， 30（14）：154-162.

[8] IQBAL M A， TALUKDER K H. Detection of potato disease using image segmentation and machine learning[C]. Chennai：IEEE， 2020.

[9] MONDAL D， KOLE D K， ROY K. Gradation of yellow mosaic virus disease of okra and bitter gourd based on entropy based binning and Naive Bayes classifier after identification of leaves[J]. Computers and Electronics in Agriculture， 2017，142：485-493.

[10]張建華，祁力鈞，冀榮華，等.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J].農(nóng)業(yè)工程學(xué)報，2012，28（7）：161-167.

[11]賈少鵬，高紅菊，杭 瀟.基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識別技術(shù)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報，2019，50（S1）： 313-317.

[12]王文朋，毛文濤，何建樑，等.基于深度遷移學(xué)習(xí)的煙霧識別方法[J].計算機(jī)應(yīng)用，2017，37（11）：3176-3181，3193.

[13]HUANG G，LIU Z，MAATEN V D，et al.Densely connected convolutional networks[C]. Honolulu：IEEE， 2017： 2261-2269.

[14]DONG H，ZHANG L，ZOU B.Densely connected convolutional neural network based polarimetric SAR image classification[C].Yokohama：IEEE，2019.

[15]齊永鋒，侯璐璐，段友放.基于DenseNet-BC網(wǎng)絡(luò)的皮膚鏡下皮膚損傷分割[J].計算機(jī)工程與科學(xué)，2020， 42（6）：1060-1067.

[16]張永鵬，張春梅，白 靜.基于DenseNet-Attention模型的高光譜圖像分類[J].圖學(xué)學(xué)報，2020，41（6）：897-904.

[17]PAN S J，YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2010，22（10）：1345-1359.

[18]TIWARI D， ASHISH M， GANGWAR N，et al. Potato leaf diseases detection using deep learning[C]. Madurai：IEEE， 2020.

[19]張建華，孔繁濤，吳建寨，等.基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識別模型[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2018， 23（11）：161-171.

[20]OPPENHEIM D， SHANI G， ERLICH O， et al. Using deep learning for image-based potato tuber disease detection[J]. Hytopathology，2019， 109（6）：1083-1087.

[21]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].中國農(nóng)業(yè)大學(xué)學(xué)報，2019，24（6）：124-130.

[22]柴 帥，李壯舉.基于遷移學(xué)習(xí)的番茄病蟲害檢測[J].計算機(jī)工程與設(shè)計，2019，40（6）：1701-1705.

[23]DURMUS H， GUNES E O， KLRCL M. Disease detection on the leaves of the tomato plants by using deep learning[C]. Fairfax：IEEE， 2017： 1-5.

[24]郭小清，范濤杰，舒 欣.基于改進(jìn)Multi-Scale AlexNet的番茄葉部病害圖像識別[J].農(nóng)業(yè)工程學(xué)報，2019， 35（13）：162-169.

[25]劉鵬鵬.基于深度學(xué)習(xí)的番茄葉面型病蟲害識別研究[D].南昌：南昌大學(xué)，2020.

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

（責(zé)任編輯：陳海霞）

1487500783320