一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法ResNet50的玉米病蟲(chóng)害識(shí)別模型

摘要：在玉米生長(zhǎng)過(guò)程中，病蟲(chóng)害對(duì)玉米的產(chǎn)量和質(zhì)量均有較大的影響，因而有效地預(yù)防與治理玉米病蟲(chóng)害對(duì)玉米產(chǎn)業(yè)甚至糧食安全具有十分重要的現(xiàn)實(shí)意義。玉米病蟲(chóng)害的精準(zhǔn)識(shí)別是實(shí)現(xiàn)病蟲(chóng)害預(yù)防與治理的有效手段。然而，目前玉米病蟲(chóng)害識(shí)別通常采用基于專(zhuān)家經(jīng)驗(yàn)的人工識(shí)別方式，具有主觀性強(qiáng)、精確度不穩(wěn)定的缺點(diǎn)。為了解決這個(gè)問(wèn)題，本研究提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的玉米病蟲(chóng)害識(shí)別模型LSE-ResNet50。首先，通過(guò)在每個(gè)殘差模塊中引入SE注意力機(jī)制，通過(guò)對(duì)每個(gè)殘差模塊中的特征圖進(jìn)行加權(quán)處理，來(lái)提高模型的特征提取能力，進(jìn)而加快其收斂速度；然后，通過(guò)在損失函數(shù)中引入標(biāo)簽平滑機(jī)制，對(duì)真實(shí)標(biāo)簽進(jìn)行一定的平滑處理防止模型過(guò)擬合，來(lái)進(jìn)一步提升原模型的泛化能力。為了驗(yàn)證本研究模型的有效性，在玉米病蟲(chóng)害數(shù)據(jù)集上與其他5種經(jīng)典方法進(jìn)行了對(duì)比試驗(yàn)。結(jié)果表明，與其他經(jīng)典模型相比，本研究提出的改進(jìn)模型LSE-ResNet50的收斂速度更快，識(shí)別準(zhǔn)確率比原ResNet50模型提升了2.3百分點(diǎn)。LSE-ResNet50模型在識(shí)別效率和精確度方面均取得了較好的性能，因而是一種有效的玉米病蟲(chóng)害識(shí)別模型。

關(guān)鍵詞：玉米；病蟲(chóng)害識(shí)別；LSE-ResNet50；注意力機(jī)制；標(biāo)簽平滑

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）16-0239-06

玉米生長(zhǎng)過(guò)程中容易受到各種疾病以及蟲(chóng)害的干擾，玉米病蟲(chóng)害對(duì)于玉米的產(chǎn)量和品質(zhì)均有較大的影響。例如，玉米大斑病會(huì)感染玉米葉片導(dǎo)致葉片失去光合作用進(jìn)而使產(chǎn)量降低；玉米螟會(huì)啃食玉米秸稈導(dǎo)致玉米營(yíng)養(yǎng)輸送減少，玉米蚜蟲(chóng)以及黏蟲(chóng)會(huì)啃食葉片，導(dǎo)致葉片失去光合作用進(jìn)而減少產(chǎn)量［1］。因此，有效地預(yù)防與治理玉米病蟲(chóng)害對(duì)玉米產(chǎn)業(yè)甚至糧食安全具有十分重要的現(xiàn)實(shí)意義。病蟲(chóng)害防治工作的前提是準(zhǔn)確地識(shí)別病蟲(chóng)害具體類(lèi)別。在病蟲(chóng)害類(lèi)型識(shí)別方面，傳統(tǒng)的方式主要采用基于儀器輔助的人工識(shí)別方法。然而，人工識(shí)別方式存在主觀性強(qiáng)、性能不穩(wěn)定、誤判率較高等不足，因而在識(shí)別準(zhǔn)確性、穩(wěn)定性、效率以及應(yīng)用場(chǎng)景等方面不能很好地滿(mǎn)足現(xiàn)代農(nóng)業(yè)生產(chǎn)和科學(xué)研究的需要［2］。

隨著機(jī)器學(xué)習(xí)理論和技術(shù)的不斷發(fā)展完善，基于機(jī)器學(xué)習(xí)算法的分類(lèi)模型廣泛應(yīng)用在各種模式識(shí)別領(lǐng)域，并取得了不錯(cuò)的效果?；跈C(jī)器學(xué)習(xí)的病蟲(chóng)害識(shí)別方法主要包括2個(gè)步驟：首先，使用某種機(jī)器學(xué)習(xí)算法在收集的農(nóng)作物病害圖像數(shù)據(jù)集上進(jìn)行學(xué)習(xí)，得到一個(gè)預(yù)測(cè)模型；然后，使用該模型對(duì)接下來(lái)遇到的農(nóng)作物葉片病害進(jìn)行識(shí)別和預(yù)測(cè)。

然而，傳統(tǒng)機(jī)器學(xué)習(xí)算法的識(shí)別精度對(duì)于所選擇特征的表征能力存在過(guò)度依賴(lài)現(xiàn)象，容易導(dǎo)致預(yù)測(cè)精度不穩(wěn)定的問(wèn)題。其中，近年來(lái)，深度學(xué)習(xí)［3］迅速發(fā)展，能高效地實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)特征提取，并在圖像識(shí)別等領(lǐng)域取得了優(yōu)異性能，因而廣泛用于各種農(nóng)作物的病害圖像處理和識(shí)別任務(wù)中，并顯著地優(yōu)于支持向量機(jī)［4］等傳統(tǒng)的機(jī)器學(xué)習(xí)算法。鑒于深度學(xué)習(xí)的卓越性能，本研究使用深度學(xué)習(xí)技術(shù)來(lái)對(duì)玉米病蟲(chóng)害進(jìn)行識(shí)別。

下面首先簡(jiǎn)要回顧深度學(xué)習(xí)在各種農(nóng)作物病害識(shí)別中的相關(guān)應(yīng)用，然后提出本研究方法的基本思路。

（1）深度學(xué)習(xí)在農(nóng)作物病害識(shí)別中的相關(guān)應(yīng)用。

任維鑫等以ResNet18作為主干網(wǎng)絡(luò)，構(gòu)建出了一個(gè)基于孿生網(wǎng)絡(luò)的度量模型，其被應(yīng)用到AI Challenger 2018農(nóng)業(yè)病蟲(chóng)害數(shù)據(jù)集中蘋(píng)果的6種病害識(shí)別上，識(shí)別準(zhǔn)確率達(dá)到了79.79%［5］。彭東海等利用ResNet50遷移學(xué)習(xí)、余弦退火學(xué)習(xí)利率衰減算法進(jìn)行模型訓(xùn)練，模型對(duì)西藏高原地區(qū)玉米種植中的4種病害的識(shí)別準(zhǔn)確率達(dá)到81%［6-8］。顧博等以玉米小斑病、大斑病和灰斑病等3種病害的圖像作為訓(xùn)練樣本，在實(shí)現(xiàn)GrabCut算法的自動(dòng)分割的基礎(chǔ)上，融合基于顯著性的SLIC算法來(lái)對(duì)玉米病害圖像進(jìn)行更好的目標(biāo)識(shí)別和圖像分割，采用融合顯著信息的GrabCut算法與相同樣本數(shù)量和條件下的 One-Cut 算法、See78aa9ad81ea77706af4477fd17aa42LIC算法進(jìn)行試驗(yàn)和對(duì)比分析，通過(guò)訓(xùn)練模式進(jìn)行驗(yàn)證，對(duì)于3種病害的識(shí)別率分別能夠達(dá)到87.2%、82.4%和83.6%［9］。

魯?shù)烟岢鼋?jīng)過(guò)微調(diào)遷移學(xué)習(xí)的MobileNet v2網(wǎng)絡(luò)，通過(guò)對(duì)本地田間玉米病害圖像進(jìn)行實(shí)地測(cè)試，拍照上傳圖像識(shí)別的準(zhǔn)確率為84%［10］。王澤鈞等提出一種基于注意力機(jī)制和多尺度特征融合的輕量型神經(jīng)網(wǎng)絡(luò)模型LMA-CNNs，模型在59類(lèi)公開(kāi)農(nóng)作物病害圖像測(cè)試集上的準(zhǔn)確率為88.08%［11］。張凈等提出一種基于多尺度注意力殘差網(wǎng)絡(luò)MSA-ResNet的農(nóng)作物葉片病害識(shí)別方法，通過(guò)多尺度卷積，削弱無(wú)關(guān)特征的影響，對(duì)AI Challenger公開(kāi)數(shù)據(jù)集中的13種常見(jiàn)農(nóng)作物、17類(lèi)病害的識(shí)別準(zhǔn)確率達(dá)到89.93%［12］。

（2）本研究方法的基本思路。

上述研究表明，通過(guò)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型可較好地對(duì)農(nóng)作物病蟲(chóng)害進(jìn)行識(shí)別。然而，盡管上述幾種玉米病蟲(chóng)害識(shí)別方法在識(shí)別精度上有了較大的改進(jìn)，但在泛化能力方面仍存在一定的提升空間。本研究通過(guò)對(duì)幾類(lèi)常用網(wǎng)絡(luò)模型的對(duì)比試驗(yàn)發(fā)現(xiàn)，ResNet50模型在玉米病蟲(chóng)害數(shù)據(jù)集上識(shí)別效果最好，因此本研究以ResNet50為基礎(chǔ)模型，提出一種改進(jìn)的玉米病蟲(chóng)害識(shí)別方法LSE-ResNet50。

本研究方法的基本思路如下：首先，通過(guò)在每個(gè)殘差模塊中引入注意力機(jī)制來(lái)提高模型的特征提取能力，進(jìn)而加快收斂速度；然后，通過(guò)引入Label Smooth標(biāo)簽平滑來(lái)進(jìn)一步提升模型的泛化能力；最后，將本研究的LSE-ResNet50模型與未改進(jìn)的ResNet50模型以及其他經(jīng)典模型進(jìn)行對(duì)比。

1 玉米病蟲(chóng)害數(shù)據(jù)集

本研究采用的數(shù)據(jù)集來(lái)自于百度飛槳中的玉米14類(lèi)病蟲(chóng)害公開(kāi)數(shù)據(jù)集，共6 571張圖片。其中，劃分得到了訓(xùn)練集5 264張、驗(yàn)證集658張、測(cè)試集649張圖片，包括健康、黑粉病、灰斑病、南方銹病、絲黑穗病、穗腐病、紋枯病、小斑病、銹病、葉斑病、玉米螟、玉米蚜蟲(chóng)、玉米葉螨、玉米黏蟲(chóng)等常見(jiàn)病蟲(chóng)害，玉米病蟲(chóng)害圖像中各種病蟲(chóng)害間的圖像特征不明顯，尤其是各類(lèi)葉部病害的圖像特征較為相似，模型的訓(xùn)練難以提取到深層信息，限制了模型準(zhǔn)確率的提升，各類(lèi)樣本如圖1所示。

2 卷積神經(jīng)網(wǎng)絡(luò)ResNet50

由于本研究提出的LSE-ResNet50模型是對(duì)ResNet50模型的改進(jìn)，因此本節(jié)首先介紹ResNet50的基本結(jié)構(gòu)與原理。

2.1 卷積神經(jīng)網(wǎng)絡(luò)ResNet50的結(jié)構(gòu)

隨著卷積神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，對(duì)于深層特征的獲取，一味地增加卷積網(wǎng)絡(luò)的層數(shù)并不總是可行的。網(wǎng)絡(luò)超過(guò)一定的層數(shù)，再繼續(xù)增加層數(shù)就會(huì)出現(xiàn)網(wǎng)絡(luò)退化的現(xiàn)象。ResNet［13-14］（深度殘差網(wǎng)絡(luò)）引入了跨層連接，將輸入直接跨層傳遞，進(jìn)行同等映射，再將輸入與卷積之后的結(jié)果進(jìn)行相加。堆疊層不再符合底層映射，轉(zhuǎn)而全部符合殘差的映射，這種結(jié)構(gòu)一定程度上解決了網(wǎng)絡(luò)退化的問(wèn)題。殘差網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)使得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程得以加快，它不僅有效地解決了網(wǎng)絡(luò)退化的現(xiàn)象，還實(shí)現(xiàn)了在模型大小與參數(shù)不變的情況下，模型識(shí)別精度與速度的提升，其結(jié)構(gòu)如圖2所示。

ResNet50包含有49個(gè)卷積層和1個(gè)全連接層，ResNet50的整體結(jié)構(gòu)如圖3所示，整體結(jié)構(gòu)由Conv卷積層，Batch Norm歸一化層，ReLU激活函數(shù)等基礎(chǔ)結(jié)構(gòu)構(gòu)成。

2.2 卷積神經(jīng)網(wǎng)絡(luò)SENet的模塊構(gòu)成

SENet由Hu等提出，主要思想是基于對(duì)通道之間的關(guān)系進(jìn)行矯正，從而提升神經(jīng)網(wǎng)絡(luò)相關(guān)的特征［15］，主要思想是壓縮與激勵(lì)，SENet的結(jié)構(gòu)如圖4所示。

SENet首先進(jìn)行Squeeze壓縮操作，將空間維度壓縮成一個(gè)通道描述符，使得每個(gè)二維的特征通道變?yōu)橐粋€(gè)具有全局感受野的數(shù)值，接著進(jìn)行Excitation操作，為了利用Squeeze操作后的數(shù)值，基于每個(gè)通道的相關(guān)性，對(duì)應(yīng)地生成權(quán)重，分別代表著各自特征的重要程度。最后再進(jìn)行Scale操作［16］，將得到的權(quán)重加權(quán)到對(duì)應(yīng)的特征上，提升有利于任務(wù)特征的重要性，降低不利特征的重要性。

3 基于改進(jìn)LSE-ResNet50的玉米病蟲(chóng)害識(shí)別模型

基于ResNet50模型，本研究提出了一種改進(jìn) LSE-ResNet50模型。為增加模型的收斂速度、提高運(yùn)行效率，引入SE注意力機(jī)制；為增加模型的識(shí)別精度，提高模型對(duì)玉米病蟲(chóng)害圖像的特征提取能力，在模型訓(xùn)練中引入標(biāo)簽平滑。

3.1 引入注意力機(jī)制加快模型收斂速度

由于ResNet50模型在玉米病蟲(chóng)害數(shù)據(jù)集上，訓(xùn)練速度較慢、效率低，本研究將SE注意力模塊增加到ResNet50網(wǎng)絡(luò)結(jié)構(gòu)中，在模型每個(gè)殘差模塊中引入SE注意力機(jī)制，從而對(duì)特征圖進(jìn)行加權(quán)處理，提高模型的特征提取能力，進(jìn)而加快模型收斂速度。首先進(jìn)行全局池化層生成特征分布，完成提取信息編碼，然后通過(guò)激活函數(shù)ReLU以及Sigmiod控制機(jī)制，得到各個(gè)通道之間的相關(guān)性，其中ReLU兩端依舊是 1×1的全連接層［16］，SE-ResNet網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

3.2 引入標(biāo)簽平滑提升網(wǎng)絡(luò)泛化性能

為了進(jìn)一步增強(qiáng)模型對(duì)于玉米病蟲(chóng)害的特征提取能力，本研究將標(biāo)簽平滑引入到模型訓(xùn)練中，以對(duì)真實(shí)標(biāo)簽進(jìn)行平滑處理防止模型過(guò)擬合， 來(lái)進(jìn)一步提升原模型的泛化能力。Label Smooth標(biāo)簽平滑是由Szegedy等提出，針對(duì)one-hot可能帶來(lái)的過(guò)擬合問(wèn)題，傳統(tǒng)的分類(lèi)損失多使用softmax loss，對(duì)全連接進(jìn)行計(jì)算softmax，再利用交叉熵進(jìn)行計(jì)算［17］。Label Smooth標(biāo)簽平滑引入了隨機(jī)噪聲，將目標(biāo)變?yōu)榉莖ne-hot形式，其中ε代表超參數(shù)，n為分類(lèi)的類(lèi)別個(gè)數(shù)。公式如下：

qi=ε/n-1，i≠target1-ε，i=target。（1）

標(biāo)簽平滑中，損失的概率不再是1或0，這一定程度上增強(qiáng)了模型的泛化能力，且彌補(bǔ)了玉米病蟲(chóng)害模型可能出現(xiàn)的過(guò)擬合問(wèn)題，產(chǎn)生更好的校準(zhǔn)網(wǎng)絡(luò)。因此，將SE注意力機(jī)制與Label Smooth標(biāo)簽平滑綜合起來(lái)加入到模型訓(xùn)練的過(guò)程中，可以進(jìn)一步增加模型訓(xùn)練的收斂速度、提高模型的泛化能力。

3.3 改進(jìn)模型LSE-ResNet50的構(gòu)建

本研究將SE注意力機(jī)制加入到了ResNet50基礎(chǔ)模型中，SE-ResNet模型的基礎(chǔ)結(jié)構(gòu)如圖6所示。

首先，將ResNet50原模型加入SE注意力機(jī)制，后將中間模型訓(xùn)練過(guò)程中的交叉熵?fù)p失函數(shù)替換為標(biāo)簽平滑，針對(duì)玉米病蟲(chóng)害進(jìn)行模型訓(xùn)練，進(jìn)而得到改進(jìn)后的LSE-ResNet50模型。

4 試驗(yàn)研究

4.1 試驗(yàn)設(shè)置

在有以下配置的計(jì)算機(jī)上進(jìn)行試驗(yàn)：Windows10操作系統(tǒng)，16 GB RAM，CPU為AMD Ryzen7 7735H-3.20 GHz處理器，GPU為RTX4060，使用編程語(yǔ)言為Python 3.10，深度學(xué)習(xí)框架為Pytorch 1.7.1，試驗(yàn)中設(shè)置訓(xùn)練次數(shù)為40個(gè)epoch，訓(xùn)練過(guò)程中使用AdamW優(yōu)化器，在玉米病蟲(chóng)害數(shù)據(jù)集上進(jìn)行訓(xùn)練，以驗(yàn)證本研究識(shí)別模型的有效性和穩(wěn)定性。

4.2 評(píng)價(jià)指標(biāo)與試驗(yàn)結(jié)果

本研究基于ResNet50模型進(jìn)行優(yōu)化修改，在其網(wǎng)絡(luò)結(jié)構(gòu)中增加SE注意力機(jī)制構(gòu)建出SE-ResNet50模型。后通過(guò)已經(jīng)構(gòu)建出的SE-ResNet50模型，將訓(xùn)練中的交叉熵?fù)p失函數(shù)改進(jìn)為L(zhǎng)abel Smooth標(biāo)簽平滑損失函數(shù)，以增加信息量，提高模型的泛化能力。

將改進(jìn)得到的LSE-ResNet50模型與原ResNet50、SE-ResNet50以及VGG、MobileNet v2、EfficientNet的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。評(píng)價(jià)指標(biāo)為準(zhǔn)確率、召回率、F1分?jǐn)?shù)和混淆矩陣，LSE-ResNet50在準(zhǔn)確率、召回率、F1分?jǐn)?shù)中均表現(xiàn)最好（表1）。

由表1可以看出，引入SE注意力機(jī)制以及標(biāo)簽平滑的LSE-ResNet50在準(zhǔn)確率上最高，比VGG、MobileNet v2、EfficientNet、SE-ResNet50分別提升了3.2、33.7、4.0、0.7百分點(diǎn)。并且LSE-ResNet50在準(zhǔn)確率、召回率以及F1分?jǐn)?shù)上，對(duì)比原ResNet50模型分別提升了2.3、3.8百分點(diǎn)與0.040。

模型訓(xùn)練中的損失值如圖7所示，由圖7中可以看出，隨著迭代次數(shù)的增加，引入SE注意力機(jī)制后的LSE-ResNet50比ResNet50原模型損失下降的更快，有著更快的收斂速度。對(duì)比原ResNet50模型，改進(jìn)后模型識(shí)別精度的提升與收斂速度的下降，進(jìn)一步證明了引入注意力機(jī)制與標(biāo)簽平滑的有效性。試驗(yàn)結(jié)果表明，LSE-ResNet50能夠?qū)崿F(xiàn)玉米病蟲(chóng)害的精準(zhǔn)識(shí)別。

從圖8中各模型混淆矩陣可以看出，改進(jìn)后的LSE-ResNet50 對(duì)比其他模型在各類(lèi)型的玉米病蟲(chóng)

害上的預(yù)測(cè)表現(xiàn)最好，其中對(duì)于玉米蚜蟲(chóng)的預(yù)測(cè)錯(cuò)誤較多，主要是因?yàn)檠料x(chóng)個(gè)體較小，圖片上噪聲過(guò)多。同時(shí)其他幾個(gè)模型對(duì)于玉米絲黑穗的預(yù)測(cè)效果都存在著錯(cuò)誤現(xiàn)象，而LSE-ResNet50對(duì)于玉米絲黑穗的預(yù)測(cè)準(zhǔn)確率達(dá)到了100%。

5 結(jié)論

針對(duì)模型訓(xùn)練收斂速度較慢、訓(xùn)練效率低的問(wèn)題，在每個(gè)殘差模塊中引入了SE注意力機(jī)制對(duì)每個(gè)殘差模塊中的特征圖進(jìn)行加權(quán)處理，提高模型的特征提取能力，進(jìn)而提升了模型的收斂速度。針對(duì)玉米病蟲(chóng)害圖片深層特征難以提取、模型泛化能力不強(qiáng)的問(wèn)題，在損失函數(shù)中引入了Label Smooth標(biāo)簽平滑，對(duì)真實(shí)標(biāo)簽進(jìn)行一定的平滑處理防止模型過(guò)擬合，進(jìn)一步提高了模型的泛化能力。試驗(yàn)結(jié)果顯示，改進(jìn)后的LSE-ResNet50準(zhǔn)確率比原模型ResNet50提升了2.3百分點(diǎn)，對(duì)于玉米病蟲(chóng)害的識(shí)別與防治有著一定的借鑒意義。為擴(kuò)大模式適用范圍增加擴(kuò)展性，今后將繼續(xù)收集及實(shí)地采樣，獲取更多玉米病蟲(chóng)害圖片補(bǔ)充數(shù)據(jù)集，并進(jìn)行更為細(xì)致的劃分，進(jìn)一步完善與優(yōu)化模型結(jié)構(gòu)。

參考文獻(xiàn)：

［1］張永新. 基于綠色防控技術(shù)的玉米病蟲(chóng)害防治研究［J］. 黑龍江糧食，2023（1）：104-106.

［2］翟肇裕，曹益飛，徐煥良，等. 農(nóng)作物病蟲(chóng)害識(shí)別關(guān)鍵技術(shù)研究綜述［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（7）：1-18.

［3］曾文婕. 深度學(xué)習(xí)究竟是什么：來(lái)自歷史、共時(shí)和未來(lái)維度的探問(wèn)［J］. 教育研究，2023，44（3）：52-62.

［4］孫 瑜，張永梅，武玉軍. 基于粒子群算法和支持向量機(jī)的黃花菜葉部病害識(shí)別［J］. 中國(guó)農(nóng)學(xué)通報(bào)，2022，38（8）：135-140.

［5］任維鑫，曹新亮，白宗文. 一種單樣本農(nóng)作物病害識(shí)別方法［J］. 無(wú)線(xiàn)電工程，2023，53（2）：484-489.

［6］彭東海，袁輝勇，余煥杰，等. 基于深度遷移學(xué)習(xí)的果樹(shù)病蟲(chóng)害識(shí)別研究與實(shí)踐［J］. 智慧農(nóng)業(yè)導(dǎo)刊，2023，3（13）：13-16.

［7］張文景，蔣澤中，秦立峰. 基于弱監(jiān)督下改進(jìn)的CBAM-ResNet18模型識(shí)別蘋(píng)果多種葉部病害［J］. 智慧農(nóng)業(yè)（中英文），2023，5（1）：111-121.

［8］張正超，方文博，郭永剛. 基于ResNet50的西藏高原地區(qū)玉米病害識(shí)別系統(tǒng)［J］. 高原農(nóng)業(yè)，2022，6（2）：164-172，212.

［9］顧 博，鄧?yán)倮?，?巍，等. 基于GrabCut算法的玉米病害圖像識(shí)別方法研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（11）：143-149.

［10］魯 笛. 基于遷移學(xué)習(xí)的玉米病害識(shí)別研究［D］. 鄭州：河南農(nóng)業(yè)大學(xué)，2022：1-4. [HJ2.1mm]

［11］王澤鈞，馬鳳英，張 瑜，等. 基于注意力機(jī)制和多尺度輕量型網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（增刊1）：176-183.

［12］張 凈，李 進(jìn)，劉曉梅. 基于多尺度注意力殘差網(wǎng)絡(luò)MSA-ResNet的農(nóng)作物病害識(shí)別［J］. 軟件導(dǎo)刊，2023，22（4）：148-155.

［13］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas，NV，USA.IEEE，2016：770-778.

［14］熊夢(mèng)園，詹 煒，桂連友，等. 基于ResNet模型的玉米葉片病害檢測(cè)與識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（8）：164-170.

［15］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE，2018：2011-2023.

［16］陳雪敏. 基于SE-ResNet模型的多角度人臉識(shí)別系統(tǒng)設(shè)計(jì)［J］. 貴陽(yáng)學(xué)院學(xué)報(bào)（自然科學(xué)版），2020，15（4）：10-13.

［17］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas，NV，USA.IEEE，2016：2818-2826.

基金項(xiàng)目：山東省重大科技創(chuàng)新工程項(xiàng)目（編號(hào)：2019JZZY010706）；山東省自然科學(xué)基金面上項(xiàng)目（編號(hào)：ZR2023MF098）。

作者簡(jiǎn)介：馮 峰（1996—），男，山東棗莊人，碩士研究生，主要從事農(nóng)業(yè)深度學(xué)習(xí)研究。E-mail：1152728515@qq.com。

通信作者：王志軍，博士，教授，主要從事農(nóng)業(yè)信息化研究。E-mail：wzj@sdau.edu.cn。