基于深度學習的輕量化農(nóng)作物葉片病害識別模型

摘要：針對傳統(tǒng)圖像分類模型在識別農(nóng)作物葉部病害過程中因計算資源消耗高昂從而難以部署于實際生產(chǎn)中的問題，本研究提出一種基于MobileNet v3的輕量化農(nóng)作物葉片病害識別模型EDCA-MobileNet v3。首先在高效注意力機制中加入一條并行路徑，提取不同區(qū)域的通道特征信息進行編碼融合，得到新的高效雙通道注意力機制EDCA，將EDCA注意力機制嵌入到MobileNet v3網(wǎng)絡中的倒置殘差結(jié)構(gòu)中以提高模型的跨通道信息捕獲能力；其次將原始網(wǎng)絡中的ReLU、Hard Swish激活函數(shù)替換為SiLU激活函數(shù)以增強模型的泛化能力；最后根據(jù)農(nóng)作物葉片病害特征調(diào)整網(wǎng)絡結(jié)構(gòu)和通道維度以降低模型計算量，刪減不必要的網(wǎng)絡層以抑制過擬合。結(jié)果表明，改進模型對農(nóng)作物葉片病害的識別準確率達到了98.95%，較原始模型提高了2.64百分點，同時參數(shù)量下降到2.02 M，為原始模型的79.53%，權(quán)重大小僅有4.39 M，模型還在未出現(xiàn)過的新作物和新病害上具有較好的泛化能力。本研究模型具有高效、輕量的特點，因而適合在計算資源有限的移動設備和農(nóng)機上部署，為農(nóng)作物葉片病害防治與診斷提供技術支撐。

關鍵詞：農(nóng)作物葉片病害；MobileNet v3；注意力機制；激活函數(shù)

中圖分類號：S126；TP391.41 文獻標志碼：A

文章編號：1002-1302（2024）16-0230-09

農(nóng)業(yè)經(jīng)濟是我國經(jīng)濟的重要組成部分，人們生活福祉的提高和農(nóng)業(yè)經(jīng)濟高質(zhì)量發(fā)展與農(nóng)作物的健康生長息息相關。傳統(tǒng)的農(nóng)業(yè)生產(chǎn)過程中，區(qū)分農(nóng)作物病害的方式主要是農(nóng)業(yè)從事人員依靠肉眼觀察和自身經(jīng)驗來判別病害類別，這種方式不僅需要耗費大量的人力物力，還會因為主觀性而導致錯誤判斷［1-4］。農(nóng)作物病害的精確識別分類是農(nóng)作物生長過程中的關鍵一環(huán)，高效快速的農(nóng)作物病害識別技術能夠幫助農(nóng)民及時發(fā)現(xiàn)病害并采取措施，有助于提高農(nóng)作物的產(chǎn)量與質(zhì)量。

隨著計算機視覺技術的快速發(fā)展，卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）在圖像分類、圖像分割、目標檢測等方面超越了傳統(tǒng)機器學習方法，在農(nóng)業(yè)領域得到廣泛使用。AlexNet、VGG16、ResNet50等性能優(yōu)秀的卷積神經(jīng)網(wǎng)絡被逐漸應用于農(nóng)業(yè)生產(chǎn)中，替代傳統(tǒng)人力進行農(nóng)作物病蟲害的自動化識別［5-9］。許景輝等通過遷移學習將VGG16卷積神經(jīng)網(wǎng)絡應用在玉米葉片病害中，平均識別率達到95.33%［10］；鮑文霞等對ResNet網(wǎng)絡進行改進，在13類水稻害蟲圖像的測試數(shù)據(jù)集上達到了92.5%的識別準確率［11］。然而，隨著移動設備在農(nóng)業(yè)生產(chǎn)中的應用與普及，傳統(tǒng)CNN的深層復雜結(jié)構(gòu)導致其應用范圍受限。基于此，研究者使用輕量化CNN替代傳統(tǒng)CNN模型以解決計算成本高、難以部署等問題。Elfatimi等使用MobileNet網(wǎng)絡對大豆葉片病害進行分類，通過對網(wǎng)絡的優(yōu)化與參數(shù)的調(diào)整，對大豆葉片病害分類準確率達到了92%［12］，Rahman等提出了一種新的2個階段的輕量化CNN結(jié)構(gòu)，大小僅為VGG16的1%，實現(xiàn)了對水稻植株病害分類準確率93.3%［13］；Sun等使用類平衡損失來改進MobileNet v2網(wǎng)絡，并使用遷移學習策略來訓練模型，對胡平棗成熟度檢測準確率達到了99.294%［14］。孫俊等在MobileNet v2的基礎上嵌入輕量級的坐標注意力機制，在復雜背景下識別田間農(nóng)作物葉片病害準確率達到了92.20%［15］。崔金榮等利用坐標注意力機制替換MobileNet v3網(wǎng)絡中的注意力機制，通過引入SVM多分類器來識別水稻病害，準確率高達97.12%［16］。

輕量化網(wǎng)絡模型在計算效率、存儲空間、實時性、部署和節(jié)能環(huán)保等方面都具有優(yōu)勢，可以滿足不同場景下的農(nóng)作物葉片病害的識別需求，但在識別精度和運算復雜度等方面仍有進步的空間［17］。本研究選取MobileNet v3-small網(wǎng)絡作為基本網(wǎng)絡，通過對其注意力機制、激活函數(shù)和模型架構(gòu)等方面的改進，提出了輕量且高效的EDCA-MobileNet v3模型。該模型可以提高農(nóng)作物葉片病害識別的準確性和穩(wěn)定性，通過數(shù)據(jù)集的擴展訓練，本模型可部署于農(nóng)機以及移動設備，促進各類農(nóng)作物病害的防治工作以及增加農(nóng)作物的經(jīng)濟效益。

1 農(nóng)作物葉片病害識別模型

1.1 MobileNet v3網(wǎng)絡介紹

MobileNet v3網(wǎng)絡繼承了MobileNet v1中的深度卷積和逐點卷積和MobileNet v2中的線性瓶頸和倒置殘差結(jié)構(gòu)，通過使用深度可分離卷積替換普通卷積有效降低了網(wǎng)絡的計算量，通過使用倒殘差結(jié)構(gòu)在模型中引入更多的非線性激活函數(shù)，增強了特征表示能力，同時緩解了網(wǎng)絡退化問題［18-19］。MobileNet v3還將壓縮與激勵（squeeze and excitation，SE）模塊應用到瓶頸結(jié)構(gòu)中，根據(jù)特征通道的重要程度來區(qū)分特征的作用大小，對非重要特征進行抑制，對重要特征賦予更大的權(quán)重［20-21］。此外，MobileNet v3設計了h-swish激活函數(shù)，同時對網(wǎng)絡結(jié)構(gòu)進行優(yōu)化，以提升運算速度。最后，使用神經(jīng)架構(gòu)搜索技術設計了適合強算力部署的MobileNet v3-large模型和針對低資源的MobileNet v3-small模型。

1.2 高效雙通道注意力機制

通道注意力機制對于提升模型性能具有顯著效果。SE模塊通過建模通道關系來重新衡量每個通道的重要性，但是其通道降維不利于學習不同通道之間的依賴關系，且獲取所有通道之間的依賴關系是沒有必要的。高效通道注意力機制（efficient channel attention，ECA）［22］使用一維卷積實現(xiàn)跨通道交互，實現(xiàn)了通道間的依賴關系捕獲，且不改變原始通道的大小。ECA在全局平均池化后通過快速的一維卷積實現(xiàn)了跨通道信息的交互，后使用非線性函數(shù)Sigmoid得到各個通道的權(quán)重w，Sigmoid激活函數(shù)如式（1）所示，權(quán)重w如式（2）所示。

σ（x）=1/（1-e-x）；（1）

w=σ［C1Dk（y）］。（2）

式中：C1D表示一維卷積；k為一維卷積核大小；σ（x）為Sigmoid 函數(shù)；y為全局平均池化（global average pooling，GAP）后的輸出，具體如式（3）所示。

y=g（x）=1WH∑W，Hi=1，j=1xij。（3）

式中：x∈RW×H×C為輸入特征；W、H、C分別為輸入特征的寬、高、通道數(shù)。

針對農(nóng)作物葉片病害數(shù)據(jù)類內(nèi)差異小和分布不均勻的特點，使用ECA替換MobileNet v3網(wǎng)絡中的SE模塊能夠有效提高模型的性能，其關鍵在于ECA注意力機制中的一維卷積能夠?qū)崿F(xiàn)通道之間的信息交互，一維卷積核的大小則決定了信息交互的覆蓋范圍。受到坐標注意力機制（coordinate attention，CA）中將通道注意力分解為2個方向上的并行路徑方法啟發(fā)［23］，本研究提出了高效雙通道注意力機制（efficient dual channel attention，EDCA），旨在增加微量計算的條件下增加通道特征捕捉的能力。EDCA在ECA的基礎上增加了1條不同k值的一維卷積并行路徑，不同k值提取到不同范圍的通道信息，將2個不同的通道特征信息通過通道級聯(lián)運算進行特征聚合，形成新的雙通道特征提取模式，融合后的權(quán)重w′如式（4）所示。

w′={ReLU［C1Dk1（y）］，ReLU［C1Dk2（y）］}。（4）

式中：k1和k2表示路徑1和路徑2的一維卷積核大??；ReLU表示使用ReLU激活函數(shù)；{，}表示通道級聯(lián)運算，即使用concat函數(shù)融合具有不同權(quán)重信息的通道參數(shù)［24］，再使用Sigmoid函數(shù)將融合后的通道特征輸出映射到0～1的范圍間，進而表示通道的重要性。最后使用split函數(shù)進行通道拆分，使融合信息還原到輸入信息大小。EDCA結(jié)構(gòu)見圖1。

1.3 SiLU激活函數(shù)

激活函數(shù)能夠在神經(jīng)網(wǎng)絡中引入非線性，增強網(wǎng)絡的表達能力，并對神經(jīng)元的激活程度進行控制。本研究模型中選擇SiLU函數(shù)［25］作為激活函數(shù)，其與其他常用激活函數(shù)的圖像見圖2，數(shù)學表達式如式（5）至（7）所示。與h-swish激活函數(shù)和ReLU激活函數(shù)相比，由于SiLU激活函數(shù)是連續(xù)可導的，因而在梯度傳播和優(yōu)化過程中更加穩(wěn)定。在輸入接近于零的情況下，SiLU激活函數(shù)近似于線性函數(shù)，這使得它在這種情況下更接近于恒等映射，有助于保留更多的農(nóng)作物葉片病害信息。同時，SiLU具有更好的梯度傳播性質(zhì)，這有助于減輕梯度消失問題，更好地支持深層神經(jīng)網(wǎng)絡的訓練。

h-swish（x）=x·ReLU6（x+3）6；（5）

SiLU（x）=x1+ex；（6）

ReLU（x）=max（0，x）。（7）

1.4 模型架構(gòu)調(diào)整

深度學習中的升維操作是為了在高維進行特征提取， 以便能提取更豐富的特征信息［26］。MobileNet v3中大量使用了通道維度的膨脹與收縮，其中1×1卷積核主要用來進行維度變換，3×3和5×5卷積核用于特征提取。 MobileNetv3-small的網(wǎng)絡結(jié)構(gòu)是通過NAS技術針對ImageNet數(shù)據(jù)集［27］而設計的，該數(shù)據(jù)集包含約1 400萬張圖像，遠多于本研究中的數(shù)據(jù)。雖然通道維度的增加可以使卷積模塊捕捉到更廣闊的視野和特征，但在實際設計中需要考慮模型具體的應用場景，在保證模型精度的前提下選擇適宜的通道數(shù)，這不僅可以避免不必要的算力占用，而且能夠抑制過擬合現(xiàn)象的出現(xiàn)，有助于提升模型的泛化能力。

MobileNet v3-small中有通道維度為240和576的卷積層重復堆疊了2次，本研究根據(jù)農(nóng)作物葉片病害識別的特點，將通道維度從576調(diào)整為288，將末位卷積層輸出通道由1 024改為576。在卷積神經(jīng)網(wǎng)絡中，1個5×5卷積核所帶來的參數(shù)量和計算量大于2個3×3卷積核，因此將2個通道維度重復的5×5卷積層換成4個3×3卷積層可以有效降低運算量。針對網(wǎng)絡的深度過深會面臨梯度消失、訓練困難的問題［28］，將4個3×3卷積層堆疊次數(shù)減少一半，僅堆疊2次。最后調(diào)整網(wǎng)絡層排列方式，使得模型可以捕捉到不同維度、不同大小的特征。通過以上調(diào)整，使模型在保證分類效果的同時還能減少一定的參數(shù)及內(nèi)存，更符合輕量化的特點。

1.5 EDCA-MobileNet v3模型

農(nóng)作物葉片病害數(shù)據(jù)集具有背景相似度高、病害特征相似、數(shù)據(jù)集分布不均勻等特點，整體識別難度較高。為了提高模型效率，首先將MobileNet v3卷積模塊中的SE模塊替換為EDCA模塊；其次，將原模型中的h-swish激活函數(shù)和ReLU激活函數(shù)替換為SiLU激活函數(shù)；最后調(diào)整模型架構(gòu)。EDCA-MobileNet v3模型的整體結(jié)構(gòu)見圖3。

2 試驗及結(jié)果分析

2.1 數(shù)據(jù)集介紹

本試驗選取了Plant Village數(shù)據(jù)集中的包含病害種類最多的番茄病害葉片圖像作為研究數(shù)據(jù)集，共計18 160張，其中包含常見的番茄病害葉片以及健康葉片，共計10個類別。數(shù)據(jù)集部分圖像見圖4。

2.2 試驗環(huán)境

本研究于2023年8—11月在貴州大學大數(shù)據(jù)與信息工程學院試驗室進行試驗。硬件環(huán)境為Intel Core i7-9700K處理器，NVIDIA RTX 2080ti顯卡；軟件版本為Windows 10操作系統(tǒng)，CUDA版本為11.8，深度學習框架為Pytorch 2.0.1。試驗時，根據(jù)工程經(jīng)驗，隨機抽取數(shù)據(jù)集中的80%的圖片作為訓練集，剩余的圖片10%作為驗證集，10%作為測試集，得到14 532張訓練圖片、1 816張驗證圖片以及1 816張測試圖片。通過隨機水平翻轉(zhuǎn)和數(shù)據(jù)標準化增加訓練圖像的隨機多樣性，以此增加了病害樣本的隨機多樣性，使用Adam［29］優(yōu)化器進行訓練，批次大小設置為64，學習率為0.001，迭代次數(shù)為50，損失函數(shù)為交叉熵損失函數(shù)。

2.3 模型評價指標

本研究使用模型在農(nóng)作物葉片病害數(shù)據(jù)集測試集上的準確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1分數(shù)衡量模型的性能，并且使用模型參數(shù)量、浮點計算量和模型權(quán)重作為模型復雜度的衡量指標［30］。準確率、精確率、召回率和F1分

數(shù)的表達式分別如式（8）至（11）所示。

Accuracy=1N∑Mm=1xm×100%；（8）

Precision=TPTP+FP×100%；（9）

Recall=TPTP+FN×100%；（10）

F1=2×Precision×RecallPrecision+Recall×100%。（11）

式中：N為測試集中農(nóng)作物葉片病害的圖像總數(shù)；xm表示第m類的農(nóng)作物葉片病害圖像中被正確識別的圖像數(shù)量；TP表示測試圖像中農(nóng)作物葉片病害種類被正確識別為對應種類的圖像數(shù)量；FP表示測試圖像中其他農(nóng)作物葉片病害種類被錯誤識別為該品種的圖像數(shù)量；FN表示測試圖像中該農(nóng)作物葉片病害種類被錯誤識別為其他品種的圖像數(shù)量。

2.4 測驗結(jié)果與分析

為了驗證改進模型的有效性，本研究選取了番茄10類葉片進行訓練與測試。其中測試集包含褐斑病213例、早疫病100例、晚疫病191例、葉霉病95例、斑枯病177例、白粉病140例、黃化病536例、花葉病37例、紅蜘蛛病168例以及健康葉片159例共10類1 816幅圖像。改進的EDCA-MobileNet v3模型在測試集上的試驗詳細結(jié)果見表1。

由表1可知，EDCA-MobileNet v3對測試集中的番茄病害葉片實現(xiàn)了準確的品種識別。整體準確率為98.95%，精確率為98.33%，召回率為98.76%，F(xiàn)1分數(shù)為98.47%。從整體看，對于測試集包含的1 816幅圖像，模型準確識別了其中的 1 797 幅。健康番茄葉片的特征明顯較其他類別更容易識別，識別精確率達到了100%；而番茄花葉病由于訓練樣本較少的原因，識別精確率最低，F(xiàn)1分數(shù)最低。

2.5 注意力機制對模型的性能影響

將本研究中提出的EDCA與SE、CA注意力機制進行對比，所有注意力機制均插入到MobileNet v3模型中的線性瓶頸前，其他參數(shù)保持不變，試驗結(jié)果見表2。對于農(nóng)作物葉片病害圖像而言，加入坐標注意力機制并不能帶來更好的效果。相比之下，k值是影響高效通道注意力機制性能的關鍵參數(shù)，將k值設置為3的效果最好，性能略高于SE機制，隨著k值的增大，整體效果呈現(xiàn)下降趨勢。考慮到k為3和5時ECA的性能較好，因此將EDCA注意力機制中雙線性路徑中的一維卷積核大小k1和 k2分別設置為3和5，可以更好地實現(xiàn)通道間的信息捕獲。對比在模型中引入的CA注意力機制，引入本研究提出的EDCA注意力機制，在參數(shù)量和浮點運算量占優(yōu)的同時實現(xiàn)了模型的準確率提升。

2.6 激活函數(shù)對模型性能的影響

將MobileNet v3模型中的ReLU激活函數(shù)和 h-swish 激活函數(shù)替換為SiLU，除激活函數(shù)外，其他參數(shù)均保持不變，試驗結(jié)果見表3。可以看出，相比于原始模型中淺層使用ReLU，深層使用h-swish的策略，改動ReLU激活函數(shù)和h-swish激活函數(shù)均對模型準確度有一定的提升，將激活函數(shù)全都替換為SiLU激活函數(shù)后模型的準確率提升了1.81百分點。

2.7 消融試驗結(jié)果

消融試驗是為了探究使用EDCA注意力機制、SiLU激活函數(shù)和架構(gòu)調(diào)整的改進方式對原始模型帶來的性能影響，消融試驗結(jié)果見表4?？梢钥闯觯贛obileNet v3中增加EDCA 注意力機制，得益于重要信息的捕獲能力增強，模型在農(nóng)作物葉片病害測試集上的準確率提升了1.37百分點，在提高準確率的同時還略微減少了模型的參數(shù)量。使用SiLU替換h-swish和ReLU，得益于SiLU函數(shù)的穩(wěn)定性，模型在保持參數(shù)量和浮點計算量不變的情況下，模型準確率提升了1.81百分點。綜合EDCA、SiLU激活函數(shù)和架構(gòu)上的改進，MobileNet v3在農(nóng)作物葉片病害測試集上的性能提升較大，準確率上升了2.64百分點，參數(shù)量減少了0.52 M，計算量減少了11.02 M。為了更直觀地展示本研究提出的EDCA-MobileNet v3模型的有效性，使用混淆矩陣對數(shù)據(jù)進行直觀對比，結(jié)果見圖5。其中子圖（A～D）分別對應表4中的第2、4、3、5行。可以看出，原模型經(jīng)過修改激活函數(shù)和修改注意力機制后識別效果均有一定提升，對各類病害類別預測準確率更高，結(jié)合3種改進后，效果最好。

2.8 不同模型試驗對比

ResNet50和VGG16是圖像分類任務中代表性的大型卷積神經(jīng)網(wǎng)絡，ShuffleNet v2和MobileNet v2是性能出色的輕量級網(wǎng)絡。為了綜合驗證本試驗提出的模型性能，將本研究提出的EDCA-MobileNet v3與以上網(wǎng)絡進行對比試驗，使用模型在農(nóng)作物葉片病害測試集上的準確率評估識別效果；使用參數(shù)量和權(quán)重大小評估模型的復雜度和實用性，所有試驗均保持相同的超參數(shù)，試驗結(jié)果見表5?？梢钥闯?，ResNet50和VGG16雖然性能較為出色，但其模型較大的參數(shù)量需要耗費大量內(nèi)存空間與計算資源，不利于在移動設備上部署；ShuffleNet v2的參數(shù)量和計算量較MobileNet v2都更具優(yōu)勢，但不如本研究提出的EDCA-MobileNet v3。相比與未改進前的MobileNet v3模型，改進的 EDCA-MobileNet v3準確率達到98.95%，參數(shù)量僅為2.02 M，權(quán)重僅為4.39 M，在提高識別準確率的同時降低了模型復雜度，并增強了其實用性。

2.9 模型泛化能力測試

不同農(nóng)作物葉片感染同類病害時，雖然葉片特征差異較大，但病害特征相似。為測試EDCA-MobileNet v3的泛化性能，觀察其對訓練集中未出現(xiàn)過的作物病害的識別能力，通過網(wǎng)絡爬取及數(shù)據(jù)增強構(gòu)建了包含180張圖像的泛化能力測試集，其中包括馬鈴薯晚疫病60張，辣椒斑枯病40張，花椒褐斑病40張，花椒銹病40張，部分識別圖像見圖6，識別結(jié)果見表6。

可以看出，模型對訓練集中未出現(xiàn)過的作物及其病害，整體識別準確率可以超過70%。一方面，對于訓練集中出現(xiàn)過的病害類型，雖然模型沒有學習過新作物的葉片特征，但仍能夠具備較強的預測精度，這表明模型能夠準確捕捉并分辨不同病害的關鍵特征，而不會被處于背景的葉片形狀所影響，因而具備較好的泛化能力。另一方面，對于訓練集中未出現(xiàn)過的病害類型，由于數(shù)據(jù)集內(nèi)并未涵蓋該病害標簽，因而識別結(jié)果會與真實結(jié)果不同，但模型依然能將大部分樣本標注為同一類別。例如對訓練集中未出現(xiàn)過的花椒作物的銹病這一病害類型，模型可將大部分樣本識別為褐斑病，小部分樣本識別為枯斑病，這進一步證明了模型具有較強的泛化特征，能夠直接對未知樣本做出比較準確的預測，但需要對數(shù)據(jù)的類別標簽進行對應的修正。以上結(jié)果說明本研究提出的模型可應用于不同作物以及不同病害的識別，要進一步提升識別精度，可將本模型在相應農(nóng)作物葉片病害數(shù)據(jù)集上進行訓練，對模型參數(shù)進行微調(diào)。

3 總結(jié)

本研究針對農(nóng)作物葉片病害識別的問題，提出了EDCA-MobileNet v3模型。首先在ECA的基礎上增加了1條并行路徑，融合不同區(qū)域的通道信息得到EDCA注意力機制，并以其替換MobileNet v3-small網(wǎng)絡中的SE模塊，使模型具備更高效的特征表達能力；其次使用SiLU替換原模型的激活函數(shù)，增強網(wǎng)絡模型的識別性能與泛化能力；最后簡化了網(wǎng)絡架構(gòu)，降低了模型復雜度與過擬合傾向。試驗結(jié)果表明，EDCA-MobileNet v3對番茄葉片病害的識別準確率達到98.95%，F(xiàn)1分數(shù)為98.47%，對新作物和新病害的識別準確率超過70%，同時參數(shù)量僅有2.02 M，權(quán)重大小僅4.39 M。與經(jīng)典的卷積神經(jīng)網(wǎng)絡相比，本模型識別效果更好，模型權(quán)重更小，泛化能力更強。通過數(shù)據(jù)集的補充和參數(shù)微調(diào)，本模型可廣泛適用于各類農(nóng)作物的葉片病害識別，為農(nóng)業(yè)生產(chǎn)的數(shù)字化和智能化提供技術支持。

參考文獻：

［1］Nigam S，Jain R，Marwaha S，et al. Deep transfer learning model for disease identification in wheat crop［J］. Ecological Informatics，2023，75：102068.

［2］Wang R M，Wu L A. Drought-tolerant crop disease identification based on attention mechanism［C］//2023 IEEE 6th Information Technology，Networking，Electronic and Automation Control Conference （ITNEC）.Chongqing：IEEE，2023：1139-1143.

［3］Zhao S Y，Peng Y，Liu J Z，et al. Tomato leaf disease diagnosis based on improved convolution neural network by attention module［J］. Agriculture，2021，11（7）：651.

［4］Dhakshina Kumar S，Esakkirajan S，Bama S，et al. A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier［J］. Microprocessors and Microsystems，2020，76：103090.

［5］Sunil C K，Jaidhar C D，Patil N. Systematic study on deep learning-based plant disease detection or classification［J］. Artificial Intelligence Review，2023，56（12）：14955-15052.

［6］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60（6）：84-90.

［7］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2014-09-04）［2024-01-08］. https：//arxiv.org/abs/1409.1556.

［8］楊 祥，段軍明，董明剛.面向移動端的植物病害圖像識別方法及其應用［J］. 江蘇農(nóng)業(yè)科學，2023，51（4）：191-197.

［9］李子涵，周省邦，趙 戈，等. 基于卷積神經(jīng)網(wǎng)絡的農(nóng)業(yè)病蟲害識別研究綜述［J］. 江蘇農(nóng)業(yè)科學，2023，51（7）：15-23.

［10］許景輝，邵明燁，王一琛，等. 基于遷移學習的卷積神經(jīng)網(wǎng)絡玉米病害圖像識別［J］. 農(nóng)業(yè)機械學報，2020，51（2）：230-236，253.

［11］鮑文霞，吳德釗，胡根生，等. 基于輕量型殘差網(wǎng)絡的自然場景水稻害蟲識別［J］. 農(nóng)業(yè)工程學報，2021，37（16）：145-152.

［12］Elfatimi E，Eryigit R，Elfatimi L. Beans leaf diseases classification using MobileNet models［J］. IEEE Access，2022，10：9471-9482.

［13］Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.

［14］Sun H X，Zhang S J，Ren R，et al. Maturity classification of “hupingzao” jujubes with an imbalanced dataset based on improved MobileNet v2［J］. Agriculture，2022，12（9）：1305.

［15］孫 俊，朱偉棟，羅元秋，等. 基于改進MobileNet v2的田間農(nóng)作物葉片病害識別［J］. 農(nóng)業(yè)工程學報，2021，37（22）：161-169.

［16］崔金榮，魏文釗，趙 敏. 基于改進MobileNet v3的水稻病害識別模型［J］. 農(nóng)業(yè)機械學報，2023，54（11）：217-224，276.

［17］Atila ，Uar M，Akyol K，et al. Plant leaf disease classification using EfficientNet deep learning model［J］. Ecological Informatics，2021，61：101182.

［18］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. （2017-04-17）［2024-01-08］. https：//arxiv.org/abs/1704.04861.

［19］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：4510-4520.

［20］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul：IEEE，2019：1314-1324.

［21］Hu J，Shen L，Albanie S，et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-2023.

［22］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle：IEEE，2020：11531-11539.

［23］Hou Q B，Zhou D Q，F(xiàn)eng J S. Coordinate attention for efficient mobile network design［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Nashville：IEEE，2021：13708-13717.

［24］邢永鑫，吳碧巧，吳松平，等. 基于卷積神經(jīng)網(wǎng)絡和遷qsD3zAbx8lFu90Yl9mJ+TYBMhhFT9ZPtyg/+cDunzOo=移學習的奶牛個體識別［J］. 激光與光電子學進展，2021，58（16）：1628002.

［25］Elfwing S，Uchibe E，Doya K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning［J］. Neural Networks，2018，107：3-11.

［26］Lu Z，Pu H，Wang F，et al. The expressive power of neural networks：a view from the width［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook：Curran Associates Inc.，2017：6232-6240.

［27］Deng J，Dong W，Socher R，et al. ImageNet：a large-scale hierarchical image database［C］//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami：IEEE，2009：248-255.

［28］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［EB/OL］. （2020-09-11）［2024-01-08］. https：//arxiv.org/abs/1905.11946v5.

［29］Kingma D，Ba J. Adam：a method for stochastic optimization［EB/OL］. （2017-01-30）［2024-01-01］. https：//arxiv.org/pdf/1412.6980v6.

［30］甘 雨，郭慶文，王春桃，等. 基于改進EfficientNet模型的作物害蟲識別［J］. 農(nóng)業(yè)工程學報，2022，38（1）：203-211.

基金項目：貴州省科技計劃［編號：黔科合支撐（2021）一般176］。

作者簡介：周江龍（2000—），男，貴州六盤水人，碩士研究生，研究方向為機器學習、智能圖像處理。E-mail：972203274@qq.com。

通信作者：王天一，博士，副教授，研究方向為深度學習、大數(shù)據(jù)與人工智能。E-mail：tywang@gzu.edu.cn。