水稻病蟲害目標檢測技術研究進展

摘 要： 水稻病蟲害對水稻的生長和產(chǎn)量具有嚴重影響，在病蟲害初期做到有效識別，及時干預保障水稻生長至關重要，水稻病蟲害目標檢測技術能夠較為準確地自動化識別。隨著近些年深度學習的快速發(fā)展，目標檢測技術也取得了重要進展，如YOLO 算法、Faster R-CNN 算法等。介紹了水稻病蟲害目標檢測技術的發(fā)展歷程和研究進展，分析了近些年提出的改進算法和優(yōu)點，針對不同類型算法在水稻病蟲害目標檢測領域中的應用場景和不足，展望了未來發(fā)展和研究方向，以促進目標檢測技術協(xié)助水稻種植研究。

關鍵詞：水稻病蟲害；目標檢測；深度學習；神經(jīng)網(wǎng)絡

中圖分類號：S24 文獻標識碼：A 文章編號：2095-1795（2024）06-0039-08

DOI：10.19998/j.cnki.2095-1795.2024.06.007

0 引言

水稻常見病蟲害有30 多種，包括稻瘟病、紋枯病、白葉枯病、細菌性條斑病、稻曲病、薊馬、灰飛虱、螟蟲、稻縱卷葉螟、稻苞蟲和稻螟蛉等[1]。這些病蟲害會對水稻的生長和產(chǎn)量產(chǎn)生嚴重的影響，如導致水稻葉片枯萎、莖稈斷裂、穗粒不飽滿及產(chǎn)量減少等[2]。其中，稻瘟病、紋枯病和白葉枯病是水稻常見的3 大病害，對水稻的危害最為嚴重。稻瘟病可引起水稻大幅減產(chǎn)；紋枯病可導致水稻莖稈腐爛、倒伏；白葉枯病可導致水稻葉片枯萎、早衰；其他病蟲害也會對水稻產(chǎn)生不同程度的影響[3]。近年來，我國的水稻病蟲害呈頻發(fā)、多發(fā)趨勢，嚴重制約我國水稻產(chǎn)業(yè)的健康穩(wěn)定發(fā)展，威脅糧食安全[4]。因此，早期針對病蟲害的識別及干預十分重要。

目標檢測技術是指設計一系列計算機視覺算法以識別各類圖像中的預定目標，尤其適合應用于農(nóng)業(yè)病蟲害識別領域[5]。經(jīng)典的目標檢測技術有基于特征提取器和分類器的方法、基于邊緣檢測的方法等，這些方法在目標檢測領域應用較廣泛，但存在計算量大、檢測速度慢等缺點。近年來硬件和機器學習的飛速發(fā)展使目標檢測領域的研究再次發(fā)生質變，尤其是卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）的出現(xiàn)避免了手動設計特征提取器的問題，其通過共享權重的方式減少計算量，顯著提高了效率[6]。后續(xù)出現(xiàn)了一系列基于CNN 的復雜目標檢測算法，如單發(fā)多框檢測（single shot multibox detector，SSD）算法、YOLO（you only look once） 算法、Faster R-CNN（ fasterregions with convolutional neural network features）算法等。本研究對水稻病蟲害目標檢測技術研究成果進行綜述，并從實際應用的角度對比相關算法的優(yōu)劣，分析不同算法的適應場景，以促進機器視覺協(xié)助水稻種植領域的研究。

1 經(jīng)典水稻病蟲害目標檢測技術

經(jīng)典目標檢測技術是指在傳統(tǒng)的計算機視覺領域中經(jīng)常使用的檢測方法，主要包括背景差分法、特征提取法、模板匹配法等，在水稻病蟲害目標檢測領域，特征提取法是較為常用的一種經(jīng)典方法。

特征提取法通過對圖像中的特征進行提取，從而檢測出目標物體。此方法使用圖像處理算法對圖像中的邊緣、角點等特征進行提取，并通過這些特征來判斷是否存在目標物體，特征提取法進行水稻病蟲害檢測的典型步驟如下。

（1）圖像預處理。對原始的水稻葉片圖像進行預處理，運用圖像去噪、圖像增強等操作獲得更高質量、更易于處理的圖像。

（2）特征提取。對預處理后的圖像進行特征提取，提取出與病蟲害相關的特征信息，如稻瘟病的典型病斑紋理、白枯葉病的典型顏色等。這些特征信息可以通過傳統(tǒng)的圖像處理算法來提取，如邊緣檢測、角點檢測、紋理分析等。

（3）特征選擇和優(yōu)化。在提取出特征后，需要對特征進行選擇和優(yōu)化，以去除冗余和無效的特征，提高特征的魯棒性和分類準確性。

（4）目標分類和識別。使用機器學習算法，如支持向量機（support vector machines，SVM）、決策樹、隨機森林等，對優(yōu)化后的特征進行分類和識別，以確定是否存在病蟲害，并對其進行分類和定位。

近些年，研究人員主要研究病蟲害特征提取的方法和優(yōu)化目標分類器， 以構建更優(yōu)的檢測模型。JOSHI A A 等[7] 針對水稻常見的4 種病害使用最小分類器和K 近鄰分類器對病害進行分類，兩種分類器在少量樣本中分別得到89.23% 和87.02% 的準確率。BASHIR K 等[8] 運用基于SVM 的圖像處理方法對3 種水稻作物病害進行分析和分類，通過優(yōu)化SVM 參數(shù)，得到最優(yōu)的檢測模型準確率94.16%、精確率90.9% 和召回率91.6%。EL-TELBANY M 等[9] 使用埃及水稻病害數(shù)據(jù)集，對基于樹的不同分類算法及其性能進行了全面的比較分析，研究結果表明，決策樹與隨機森林兩種分類器效果較好，準確率分別為97.57% 和95.63%。GHYAR B S 等[10] 從水稻病葉和非病葉的圖像中，提取了病葉面積、基于紋理的灰度共生矩陣（gray-levelco-occurrence matrix，GLCM）和顏色等特征，得到21維特征向量，再采用基于遺傳算法的特征選擇方法進行降維處理，最終生成14 維特征向量，運用SVM 進行分類得到92.5% 的高準確率。楊穎等[11] 在提取水稻病蟲害圖像特征時，運用加權的方式將方向梯度直方圖（histogram of oriented gradients，HOG）和局部二值模式（local binary pattern，LBP）融合起來，并利用SVM 對水稻進行分類識別， 研究結果表明， 基于HOG 和LBP 混合特征的水稻病蟲害識別方法分類準確率優(yōu)于HOG、LBP 和GLCM 單一特征描述的分類準確率。

經(jīng)典的水稻病蟲害目標檢測相關研究本質都是優(yōu)化特征提取和分類器，雖然上述研究運用各類機器學習的特征提取法效果都較好，但需要手動提取較為復雜的特征，而且基于底層視覺特征的設計方法在處理復雜圖像時可能面臨困難，因為它們往往只能提供關于圖像的低級特征，難以捕獲高級別的語義信息，這是由于底層特征算子通常關注的是圖像的局部細節(jié)和結構如邊緣、紋理等，而無法有效地將圖像中的各種元素和語義信息聯(lián)系起來。同時經(jīng)典目標檢測技術研究都是基于少量樣本，雖然許多試驗數(shù)據(jù)較為理想，但在實際應用時會面臨復雜背景的適應性有限、對于不同尺度和姿態(tài)的目標檢測效果不佳等問題，為了克服這些局限性，當今流行的目標檢測技術通常采用深度學習技術，結合大數(shù)據(jù)和強大的計算資源，實現(xiàn)更準確、更魯棒、更高效的目標檢測性能。

2 基于深度學習的水稻病蟲害目標檢測技術

2012 年，KRIZHEVSKY A 等[12] 在ImageNet 大規(guī)模視覺識別挑戰(zhàn)賽上使用CNN 贏得了比賽，引發(fā)了基于深度學習的計算機視覺研究熱潮。在接下來的幾年中，研究人員提出了許多基于深度學習的水稻病蟲害目標檢測技術，根據(jù)不同策略和算法，其被分為一階段和兩階段方法，當前業(yè)內(nèi)主要圍繞這兩種方法對水稻病蟲害目標檢測進行研究[13-15]。

2.1 兩階段目標檢測技術

兩階段目標檢測技術不再使用滑動窗口，其典型流程如圖1 所示，兩階段目標檢測技術會先進行區(qū)域提議以生成候選框，再對位置精修后進行候選區(qū)域分類，典型的兩階段目標檢測技術有R-CNN（regionswith convolutional neural network features） 、Fast RCNN、Faster R-CNN 等[16]。

第1 階段，即生成候選框階段，算法會首先讀取原始水稻圖像，然后進行預處理操作，如去噪、增強等，再使用圖像分割算法，將圖像劃分為不同的區(qū)域或對象，每個區(qū)域或對象可以表示為一個邊界框，并提取出對應的特征利用CNN 或區(qū)域提議網(wǎng)絡生成最終候選區(qū)域，由于目標區(qū)域提議可能較多，因此可以選擇使用非極大值抑制算法對候選區(qū)域進行篩選。

第2 階段，首先將最終篩選出的候選區(qū)域圖像進行格式化，以保證后續(xù)檢測的一致性和準確性，隨后使用CNN 或CNN+ROI（region of interest pooling）對候選區(qū)域圖像進行特征提取，獲取到包含高級別語義信息的特征，最后運用分類、回歸算法，實現(xiàn)最終病蟲害目標檢測。

兩階段目標檢測算法的發(fā)展時間節(jié)點如圖2 所示，2014 年R-CNN 算法率先提出了兩階段的目標檢測思想，此算法運用CNN 提取特征，運用SVM 進行分類[17]。2015 年， HE K 等[18] 提出了SSP Net（ scale-invariantpyramid network）解決了R-CNN 多尺度目標檢測方面的不足。同年，GIRSHICK R[19]、REN S 等[20] 分別提出了Fast R-CNN 和Faster R-CNN，F(xiàn)ast R-CNN 是在RCNN基礎上采用了ROI 池化，同時將SVM 分類器替換為softmax，提升了算法處理速度，F(xiàn)aster R-CNN 則在Fast R-CNN 基礎上增加了區(qū)域提議網(wǎng)絡（ regionproposal network，RPN），性能再次得到明顯提升。2017 年，HE K 等[21] 在Faster R-CNN 基礎上改進形成Mask R-CNN，此算法增加了Mask 分支對每個目標像素進行分類和分割，使其能夠在同一網(wǎng)絡中同時完成目標檢測和實例分割的任務，算法效率得到提升。2018 年，CAI Z 等[22] 在Faster R-CNN 基礎上提出了一種多級目標檢測算法——Cascade R-CNN，這種級聯(lián)結構使得檢測器能夠逐步過濾掉負樣本，提高正樣本的準確率，從而提高了整體的目標檢測準確率。2020 年，F(xiàn)acebook 人工智能實驗室的研究人員提出了DETR（detection transformer）方法，此方法將目標檢測任務形式化為一個預測問題，并將所有目標檢測任務（包括分類和定位）嵌入到一個統(tǒng)一的全局編碼器?解碼器架構中，DETR 消除了許多手工設計的組件，簡化了傳統(tǒng)兩階段方法的流程但性能和Faster R-CNN 相當[23]。雖然DETR 被設計成一個端到端的方法，但它仍然依賴于預先生成的候選區(qū)域來執(zhí)行分類和定位任務，因此屬于一種兩階段方法。

Faster R-CNN 等方法表現(xiàn)出優(yōu)越的性能，近幾年在水稻病蟲害目標檢測領域的研究主要圍繞這些方法展開。LI D 等[24] 提出一種基于Faster R-CNN 的水稻病蟲害的視頻檢測方法，設計一種定制的DCNN（deepconvolutional neural network）骨干網(wǎng)絡，骨干網(wǎng)絡替換了原本Faster R-CNN 在特征提取時所使用的CNN；試驗結果表明，此算法處理復雜水稻視頻圖像的病蟲害識別較原Faster R-CNN 更優(yōu)。BARI B S 等[25] 開發(fā)一種基于Faster R-CNN 的水稻病害檢測框架，訓練模型時運用一系列圖像增強的方案；研究表明，此模型在測試集上識別稻瘟病、胡麻葉斑病和稻鐵甲蟲害準確率分別為98.09%、98.85% 和99.17%。ZHANG Z 等[26]提出一種基于改進Mask R-CNN 的水稻病害識別方法，此方法主要改進了特征金字塔的特征融合過程，將原自上而下的路徑改變?yōu)樽韵露?，并在特征融合過程中增加多尺度膨脹卷積，以增加特征圖的感受野并保持分辨率不變，可以避免下采樣過程中特征的丟失，與原先Mask R-CNN 算法相比，當交并比分別為0.6、0.7 和0.8 時， 此方法準確率分別提高0.46、0.66 和0.48 個百分點。ZHOU G 等[27] 針對水稻病害圖像噪聲較多、圖像邊緣模糊、背景干擾大等問題，提出一種基于FCM-KM 和Faster R-CNN 融合的水稻快速病害檢測方法，此方法首先采用一種結合了加權多級中值濾波的二維濾波掩模對圖片進行降噪，然后應用二維Otsu 閾值分割對降噪圖像進行分割，并將FCM-KM 與Faster R-CNN 融合以進行圖像檢測；研究表明，此方法在檢測稻瘟病、白葉枯病和枯萎的準確率分別為96.71%、97.53% 和98.26%，平均識別時間分別為0.65、0.82 和0.53 s。YANG H 等[28] 提出一種密集高層次組合的特征金字塔網(wǎng)絡（dense higher-level compositionfeature pyramid network，DHLC-FPN），將DETR 的骨干網(wǎng)絡ResNet 替換為DHLC-FPN 和Res2Net 形成DHLC-DETR 算法，旨在提高特征金字塔的特征提取能力，同時解決卷積網(wǎng)絡中高級圖像信息和低級語義信息丟失的相關問題；研究表明，DHLC-DETR 算法能夠顯著增強對小目標的檢測，識別水稻病害準確率平均值（mean average precision，mAP）較DETR 提高17.3個百分點，其中微小病害靶點檢測的mAP 提高9.5 個百分點，在中科院農(nóng)業(yè)病蟲害研究圖庫中水稻病害識別測試的平均準確率97.44%。劉凱旋等[29] 提出一種基于Cascade R-CNN 的水稻害蟲檢測算法，此算法通過特征金字塔優(yōu)化、ROI Align 替換ROI 池化和Soft-NMS 減少重疊目標對小目標丟失的影響等方法顯著提高了水稻害蟲識別的效果——多種水稻害蟲識別mAP達到94.15％。韓曉彤等[30] 則在Cascade R-CNN 模型中添加OHEM（online hard example mining）結構均衡難易樣本，并采用邊框回歸損失函數(shù)（GIOU Loss）提高水稻病害的檢測率，經(jīng)驗證明其Cascade R-CNNOHEM-GIOU 模型效果比單一Cascade R-CNN 更優(yōu)。劉志等[31] 通過融合跨通道注意力機制提出一種改進的Cascade R-CNN 田間害蟲檢測方法，研究結果表明，當交并比為0.5 時， 此方法比Cascade R-CNN 和YOLOv4 的F1-score 分別提高2.8 和8.2 個百分點。上述文獻相關信息的小結如表1 所示。

2.2 一階段目標檢測技術

一階段目標檢測技術是一種直接在圖像上預測目標位置和類別的算法，不需要進行候選區(qū)域生成和篩選，而是直接將輸入圖像輸入到神經(jīng)網(wǎng)絡中，通過網(wǎng)絡的一次前向傳播得到目標檢測結果。

一階段目標檢測技術發(fā)展時間節(jié)點如圖3 所示。2015 年，REDMON J 等[32] 提出了YOLO 算法的最初版本。它與之前的目標檢測算法不同之處在于，YOLO把目標檢測任務看作一個端到端的問題，將圖像分割和目標檢測合并到一個網(wǎng)絡中，因此具有較高的檢測速度和準確性，隨后研究人員在YOLO 基礎上不斷優(yōu)化網(wǎng)絡結構、特征提取等方面的內(nèi)容，衍生出了多個YOLO 版本，截至2023 年，已經(jīng)推出至YOLOv8[33]。除YOLO 外，2016 年，LIU W 等[34] 提出了較為著名的一階段目標檢測方法SSD，與YOLO 算法不同的是，SSD 算法通過提取不同尺度特征圖做檢測，與當時流行的YOLOv1 相比具備更優(yōu)的性能。除了這兩種方法，2017 年，LIN T Y 等[35] 針對當時一階段目標檢測方法正負樣本不平衡問題，提出RetinaNet 算法，此算法解決了樣本失衡問題并獲得較好的檢測精度。一階段目標檢測方法相較于傳統(tǒng)的兩階段目標檢測算法，具有更快的檢測速度兼顧一定的準確性。

在一階段水稻病蟲害目標檢測領域，研究主要在YOLO 基礎上改進模型，周維等[36] 提出一種基于改進的YOLOv4-GhostNet 水稻病蟲害識別方法，使用幻象模塊[37] 代替普通卷積結構，PANet 結構改進YOLOv4網(wǎng)絡的特征提取部分，最后結合遷移學習技術形成基于改進的YOLOv4-GhostNet 水稻病蟲害識別模型；試驗表明，此模型的檢測速度大約35 幀/s，模型大小也降低至42.45 MB，平均準確率79.38%。LI S 等[38] 利用殘差特征增強法縮小水稻病蟲害不同尺度特征與圖像之間的語義差距，同時在骨干網(wǎng)絡中加入卷積塊注意力模塊以抑制背景噪聲，形成了YOLO-DPD 模型；試驗結果表明，此模型準確率較單一YOLO 模型較高，mAP 為90.11%，同時每張水稻圖像檢測僅需 47 ms。KUMAR V S 等[39] 提出一種基于YOLOv5 的改進方法，在骨干網(wǎng)絡中利用雙向特征金字塔網(wǎng)絡（bidirectionalfeature pyramid network，BiFPN）從分割圖像中提取特征；試驗結果表明，此方法構建的模型平均精確率82.8%， F1-score 為92.45%。HU Y 等[40] 提出YOLOGBS深度神經(jīng)網(wǎng)絡模型，此模型引入GC 注意力機制提高特征提取效果， 同時利用BiFPN 和SwinTransformer 提升模型效果；試驗結果表明，此模型在保證檢測速度的同時，比原YOLO 的mAP 提高4.5 個百分點。LI K 等[41] 提出一種改進的YOLOv5s 的輕量級水稻病害實時檢測方法，將模型的權重文件減少到3.2 MB，約為原模型的1/4，并將預測速度提高3 倍。JIA L 等[42] 在YOLOv7 基礎上建立一種高性能和輕量級的水稻病蟲害檢測模型，此模型利用輕量級網(wǎng)絡MobileNetV3 進行特征提取，并結合坐標注意力機制和SIoU 損失函數(shù)以提高準確率，該模型在3 773 張水稻病蟲害圖像的數(shù)據(jù)集上進行測試，準確率92.3%，mAP 為93.7%。上述文獻相關信息的小結如表2 所示。

3 不同目標檢測技術對比

歸納整理經(jīng)典水稻病蟲害目標檢測技術和基于深度學習的水稻病蟲害目標檢測技術，可知經(jīng)典水稻病蟲害目標檢測技術在試驗階段檢測效果較好，但是需耗費人力物力進行特征提取，實際水稻田中拍攝的圖像可能存在背景復雜、水稻尺度和姿態(tài)各異等問題，因此此類檢測方法存在較大的局限性。近年來研究人員在對兩階段水稻病蟲害目標檢測研究中主要是對Faster R-CNN 和Cascade R-CNN 等算法進行改進和優(yōu)化，此類模型效果較好，能夠處理諸如視頻圖像、模糊圖像、復雜圖像等多類場景，但是兩階段方案為了達到檢測結果，花費大量時間、硬件資源，因此以YOLO 為核心研究對象的一階段水稻病蟲害目標檢測技術也有相應的優(yōu)勢，此類方法能夠在達到一定準確性的同時兼顧效率、經(jīng)濟性和便利性，尤其適合運用于野外的一些內(nèi)存小、計算性能弱的物聯(lián)網(wǎng)設備。檢測方案對比如表3 所示。

若檢測的圖片規(guī)范，圖像內(nèi)容簡單，可以使用解釋性較好的經(jīng)典水稻病蟲害目標檢測技術，如農(nóng)業(yè)技術服務站或科研機構可使用特征提取法建立水稻病蟲害檢測模型作為水稻研究的輔助工具，此模型能夠清晰地解釋提取的特征和檢測的過程，能更好協(xié)助農(nóng)業(yè)科研技術人員工作，并能在實踐中不斷擴大特征樣本。當需要檢測海量、復雜、多姿態(tài)的水稻圖片時，可以運用兩階段水稻病蟲害目標檢測技術建立檢測模型，分階段的處理方式使得此類模型能夠更好地應對復雜多變的圖像條件，減少誤檢和漏檢的情況，此類模型還具備較高的魯棒性，即使在圖像質量不佳、光照不均、目標姿態(tài)多變等情況下，也能保持穩(wěn)定的檢測性能。當需要在水稻田間安插物聯(lián)網(wǎng)設備或運用無人機進行現(xiàn)場病蟲害檢測時，檢測模型的資源耗費是重要考量因素，一階段水稻病蟲害目標檢測技術采用端到端的訓練方式，因此可以直接從原始圖像中預測目標的邊界框和類別，這種簡潔的流程減少了模型的復雜性和計算量，生成的檢測模型通常具有較小的體積和較低的功耗，模型部署在物聯(lián)網(wǎng)設備和無人機上能減少CPU 和內(nèi)存等資源占用，也有助于延長設備的續(xù)航時間。

4 結束語

水稻病蟲害目標檢測相關研究近些年取得一定進展，尤其是以一階段目標檢測和兩階段目標檢測為主的深度學習識別方法受到研究人員關注和青睞，在水稻病蟲害的檢測識別領域進行了廣泛研究，并達到較為理想的效果。不同的目標檢測方法具備不同的優(yōu)勢，在實際應用中可以基于需求場景定制構建水稻病蟲害目標檢測模型。

研究雖然卓有成效，但需要注意的是，大部分模型僅在實驗室的有限樣本下進行測試，在實際場景下檢測水稻病蟲害依舊存在一定的誤差，與專家級別的識別能力相比仍有差距。這種差距主要源于兩方面的原因。一是因為訓練樣本有限，尤其是個別病蟲害較為稀有導致可用樣本不足，因此有必要在實際運用中對模型進行強化，利用如增量學習、遷移學習等方法對模型進行再訓練，將模型的識別能力不斷更新和提升，以更好地滿足新的需求和挑戰(zhàn)[43-45]。二是算法仍然需要根據(jù)實際情況不斷迭代、調(diào)整，需要在后續(xù)研究和應用中不斷優(yōu)化算法，如更新YOLO 系列目標檢測算法的版本、在算法結構中積極探索優(yōu)化水稻病蟲害檢測骨干網(wǎng)絡等[46]。為了推動水稻病蟲害目標檢測技術的持續(xù)進步，需要緊跟深度學習領域的發(fā)展潮流，更好地滿足新的需求和挑戰(zhàn)，為保障國家糧食安全做出更大的貢獻。

參考文獻

［1］寧業(yè)潮．水稻常見病蟲害發(fā)生現(xiàn)狀及防治技術[J]．現(xiàn)代農(nóng)業(yè)科技，2020（11）：121，123．

［2］何創(chuàng)鑫，吳宇森，江曉凱，等．水稻種植中常見病蟲害綠色防控技術分析[J]．南方農(nóng)業(yè)，2020，14（12）：16-17．

［3］應俊杰，余山紅，項加青，等．不同階段防治措施對水稻白葉枯病的影響[J]．浙江農(nóng)業(yè)科學，2022，63（12）：2954-2956．

［4］車琳，蔣沁宏，王［4］ 也，等．我國水稻五大產(chǎn)區(qū)蟲害發(fā)生及防控情況差異的比較分析[J]．植物保護，2022，48（3）：233-241．

CHE Lin，JIANG Qinhong，WANG Ye，et al．Comparative analysisof occurrence and control of pests in five rice producing regions inChina[J]．Plant Protection，2022，48（3）：233-241．

［5］劉春磊，陳天恩，王聰，等．小樣本目標檢測研究綜述[J]．計算機科學與探索，2023，17（1）：53-73．

LIU Chunlei， CHEN Tianen， WANG Cong， et al． Survey of fewshotobject detection[J]． Journal of Frontiers of Computer Science andTechnology，2023，17（1）：53-73．

［6］周飛燕，金林鵬，董軍．卷積神經(jīng)網(wǎng)絡研究綜述[J]．計算機學報，2017，40（6）：1229-1251．

ZHOU Feiyan， JIN Linpeng， DONG Jun． Review of convolutionalneural network[J]． Chinese Journal of Computers， 2017， 40（ 6） ：1229-1251．

［7］JOSHI A A， JADHAV B D． Monitoring and controlling rice diseasesusing Image processing techniques[C]//2016 International Conference onComputing， Analytics and Security Trends （ CAST） ． IEEE， 2016：471-476．

［8］BASHIR K， REHMAN M， BARI M． Detection and classification ofrice diseases： an automated approach using textural features[J]．Mehran University Research Journal of Engineering amp; Technology，2019，38（1）：239-250．

［9］EL-TELBANY M， WARDA M． An empirical comparison of treebasedlearning algorithms： an egyptian rice diseases classification casestudy[J]．International Journal of Advanced Research in Artificial Intelligence，2016，5（1）：22-26．

［10］GHYAR B S， BIRAJDAR G K． Computer vision based approach todetect rice leaf diseases using texture and color descriptors[C]//2017 Internationalconference on inventive computing and informatics （ICICI）．IEEE，2017：1074-1078．

［11］楊穎，文小玲，章秀華．基于方向梯度直方圖和局部二值模式混合特征的水稻病蟲害識別方法研究[J]．河南農(nóng)業(yè)大學學報，2021，55（6）：1089-1096．

YANG Ying， WEN Xiaoling， ZHANG Xiuhua． Study of diseasedrice image recognition based on histograms of oriented gradients and localbinary pattern hybrid features[J]．Journal of Henan Agricultural University，2021，55（6）：1089-1096．

［12］KRIZHEVSKY A， SUTSKEVER I， HINTON G E． Imagenet classificationwith deep convolutional neural networks[J]．Advances in NeuralInformation Processing Systems，2012．DOI：10.1145/3065386．

［13］劉陽，謝永強，李忠博，等．基于深度學習的目標檢測算法研究進展[J]．通信技術，2021，54（9）：2063-2073．

LIU Yang，XIE Yongqiang，LI Zhongbo，et al．Research progress ofdeep learning target detection algorithm in security field[J]．CommunicationsTechnology，2021，54（9）：2063-2073．

［14］廖育榮，王海寧，林存寶，等．基于深度學習的光學遙感圖像目標檢測研究進展[J]．通信學報，2022，43（5）：190-203．

LIAO Yurong， WANG Haining， LIN Cunbao， et al． Research progressof deep learning-based object detection of optical remote sensingimage[J]．Journal of Communications，2022，43（5）：190-203．

［15］羅會蘭，彭珊，陳鴻坤．目標檢測難點問題最新研究進展綜述[J]．計算機工程與應用，2021，57（5）：36-46．

LUO Huilan， PENG Shan， CHEN Hongkun． Review on latest researchprogress of challenging problems in object detection[J]． ComputerEngineering and Applications，2021，57（5）：36-46．

［16］謝富，朱定局．深度學習目標檢測方法綜述[J]．計算機系統(tǒng)應用，2022，31（2）：1-12．

XIE Fu， ZHU Dingju． Survey on deep learning object detection[J]．Computer Systems amp; Applications，2022，31（2）：1-12．

［17］GIRSHICK R，DONAHUE J，DARRELL T，et al．Rich feature hierarchiesfor accurate object detection and semantic segmentation[C]//Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition，2014：580-587．

［18］HE K， ZHANG X， REN S， et al． Spatial pyramid pooling in deepconvolutional networks for visual recognition[J]．IEEE Transactions onPattern Analysis and Machine Intelligence， 2015， 37（ 9） ： 1904-1916．

［19］GIRSHICK R． Fast R-CNN[C]//Proceedings of the IEEE InternationalConference on Computer Vision，2015：1440-1448．

［20］REN S， HE K， GIRSHICK R， et al． Faster R-CNN： towards realtimeobject detection with region proposal networks[J]． IEEE Transactionson Pattern Analysis amp; Machine Intelligence，2017，39（6）：1137-1149．

［21］HE K， GKIOXARI G， DOLLáR P， et al． Mask R-CNN[C]//Proceedingsof the IEEE International Conference on Computer Vision，2017：2961-2969．

［22］CAI Z，VASCONCELOS N．Cascade R-CNN：high quality object detectionand instance segmentation[J]． IEEE Transactions on PatternAnalysis and Machine Intelligence，2019，43（5）：1483-1498．

［23］CARION N， MASSA F， SYNNAEVE G， et al． End-to-end objectdetection with transformers[C]//European conference on computer vision．Cham：Springer International Publishing，2020：213-229．

［24］LI D， WANG R， XIE C， et al． A recognition method for rice plantdiseases and pests video detection based on deep convolutional neuralnetwork[J]．Sensors，2020，20（3）：578．

［25］BARI B S，ISLAM M N，RASHID M，et al．A real-time approach ofdiagnosing rice leaf disease using deep learning-based faster R-CNN framework[J]． PeerJ Computer Science， 2021． https：//doi.org/10.7717/peerjcs.432.

［26］ZHANG Z， JIANG L， HONG Q， et al． Rice disease identificationmethod based on improved Mask R-CNN[C]//2021 International Conferenceon Computer Information Science and Artificial Intelligence（CISAI）．IEEE，2021：250-253．

［27］ZHOU G， ZHANG W， CHEN A， et al． Rapid detection of rice diseasebased on FCM-KM and faster R-CNN fusion[J]． IEEE access，2019，7：143190-143206．

［28］YANG H，DENG X，SHEN H，et al．Disease detection and identificationof rice leaf based on improved detection transformer[J]． Agriculture，2023，13（7）：1361．

［29］劉凱旋，黃操軍，李亞鵬，等．一種基于級聯(lián)R-CNN 的水稻害蟲檢測算法[J]．黑龍江八一農(nóng)墾大學學報，2021，33（ 5）：106-111，134．

LIU Kaixuan，HUANG Caojun，LI Yapeng，et al．Rice insects detectionalgorithm based on cascaded R-CNN[J]． Journal of HeilongjiangBayi Agricultural Reclamation University， 2021， 33（ 5） ： 106-111，134．

［30］韓曉彤，楊保軍，李蘇炫，等．基于圖像的水稻紋枯病智能測報方法[J]．中國農(nóng)業(yè)科學，2022，55（8）：1557-1567．

HAN Xiaotong， YANG Baojun， LI Suxuan， et al． Intelligent forecastingmethod of rice sheath blight based on images[J]．Scientia AgriculturaSinica，2022，55（8）：1557-1567．

［31］劉志，翟瑞芳，彭萬偉，等．融合注意力機制的Cascade R-CNN田間害蟲檢測方法[J]．華中農(nóng)業(yè)大學學報，2023，42（ 3）：133-142．

LIU Zhi， ZHAI Ruifang， PENG Wanwei， et al． Field pest detectionmethod based on improved Cascade R-CNN by incorporating attentionmechanism[J]． Journal of Huazhong Agricultural University， 2023，42（3）：133-142．

［32］REDMON J，DIVVALA S，GIRSHICK R，et al．You only look once：unified，real-time object detection[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition，2016：779-788．

［33］HUSSAIN M．YOLO-v1 to YOLO-v8，the rise of YOLO and its complementarynature toward digital manufacturing and industrial defect detection[J]．Machines，2023，11（7）：677．

［34］LIU W， ANGUELOV D， ERHAN D， et al． SSD： single shotmultibox detector[C]// 2016 European Conference on Computer Vision，2016：21-37．

［35］LIN T Y，GOYAL P，GIRSHICK R，et al．Focal loss for dense objectdetection[C]//Proceedings of the IEEE International Conference onComputer Vision，2017：2980-2988．

［36］周維，牛永真，王亞煒，等．基于改進的YOLOv4-GhostNet 水稻病蟲害識別方法[J]．江蘇農(nóng)業(yè)學報，2022，38（3）：685-695．

ZHOU Wei，NIU Yongzhen，WANG Yawei，et al．Based on an improvedYOLOv4 GhostNet method for identifying rice pests and diseases[J]． Jiangsu Journal of Agricultural Sciences， 2022， 38（ 3） ：685-695．

［37］HAN K， WANG Y， TIAN Q， et al． Ghostnet： more features fromcheap operations[C]//Proceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition，2020：1580-1589．

［38］LI S，F(xiàn)ENG Z，YANG B，et al．An intelligent monitoring system ofdiseases and pests on rice canopy[J]．Frontiers in Plant Science，2022，13：972286．

［39］KUMAR V S，JAGANATHAN M，VISWANATHAN A，et al．Riceleaf disease detection based on bidirectional feature attention pyramid networkwith YOLO v5 model[J]． Environmental Research Communications，2023，5（6）：065014．

［40］HU Y，DENG X，LAN Y，et al．Detection of rice pests based on selfattentionmechanism and multi-scale feature fusion[J]． Insects， 2023，14（3）：280．

［41］ LI K，LI X，LIU B，et al．Diagnosis and application of rice diseases based on deep learning[J]．PeerJ Computer Science，2023．https：//doi.org/10.7717/peerj-cs.1384.

［42］JIA L， WANG T， CHEN Y， et al． MobileNet-CA-YOLO： an improvedYOLOv7 based on the MobileNetV3 and attention mechanism forrice pests and diseases detection[J]． Agriculture， 2023， 13（ 7） ：1285．

［43］王忠培，張萌，董偉，等．基于遷移學習的多模型水稻病害識別方法研究[J]．安徽農(nóng)業(yè)科學，2021，49（20）：236-242．

WANG Zhongpei， ZHANG Meng， DONG Wei， et al． Multi-modelrice disease recognition based on transfer learning[J]．Journal of AnhuiAgricultural Sciences，2021，49（20）：236-242．

［44］朱飛， 張煦堯， 劉成林． 類別增量學習研究進展和性能評價[J]．自動化學報，2023，49（3）：635-660．

ZHU Fei，ZHANG Xuyao，LIU Chenglin．Class incremental learning：a review and performance evaluation[J]． Acta Automatica Sinica，2023，49（3）：635-660．

［45］張國忠，呂紫薇，劉浩蓬，等．基于改進DenseNet 和遷移學習的荷葉病蟲害識別模型[J]． 農(nóng)業(yè)工程學報， 2023， 39（ 8） ： 188-196．

ZHANG Guozhong， LV Ziwei， LIU Haopeng， et al． Model foridentifying lotus leaf pests and diseases using improved DenseNet andtransfer learning[J]．Transactions of the Chinese Society of AgriculturalEngineering，2023，39（8）：188-196．

［46］陳浪浪，張艷．基于改進深度卷積神經(jīng)網(wǎng)絡的水稻病蟲害識別[J]．山東農(nóng)業(yè)科學，2023，55（5）：164-172．

CHEN Langlang， ZHANG Yan． Identification of rice diseases andpests based on improved deep convolutional neural network[J]． ShandongAgricultural Sciences，2023，55（5）：164-172．