基于CNN-XGBoost模型的多類型棉花葉片病害識別

摘要：為提高棉花生產和質量，需要對棉花葉片病害進行及時和準確的識別。然而，現(xiàn)有研究方法往往只能處理少數(shù)幾種常見的病害類型，而無法覆蓋更多的病害種類。本研究提出一種基于CNN-XGBoost模型的多類型棉花葉片病害識別方法，該方法能夠識別出21種不同的病害類型，涵蓋了細菌、真菌、病毒、營養(yǎng)缺乏等多種因素導致的病害。首先，收集約1.2萬張棉花葉片病害圖像樣本，構建一個包含多種類型病害的數(shù)據集，對數(shù)據集進行預處理和增強操作，增加數(shù)據的多樣性和難度；其次，設計一個CNN模型，利用卷積層和池化層提取棉花葉片圖像的特征向量，將CNN模型的輸出作為XGBoost模型的輸入，使用XGBoost模型對特征向量進行分類；最后，采用加權交叉熵損失函數(shù)作為優(yōu)化目標，通過反向傳播算法更新CNN模型和XGBoost模型的參數(shù)。結果表明，本研究提出的CNN-XGBoost模型在21種類型棉花葉片病害上都能達到高精度的識別，平均準確率達到0.98，遠高于其他對比方法，為棉花生產者提供了一個實用和高效的植物病害診斷工具，有助于及時發(fā)現(xiàn)和處理棉花葉片病害，從而提高棉花產量。

關鍵詞：CNN-XGBoost；棉花葉片病害；多類型病害；加權交叉熵損失函數(shù)

中圖分類號：TP391.41" 文獻標志碼：A

文章編號：1002-1302（2024）13-0205-09

棉花是世界上最重要的纖維作物之一，也是我國的主要經濟作物之一［1］。棉花的生產和質量受到多種因素的影響，其中，棉花葉片病害是一個重要的制約因素［2］。棉花葉片病害不僅會導致棉花葉片的脫落、枯萎、變色等現(xiàn)象，影響光合作用和養(yǎng)分吸收，還會降低棉花的抗逆性和產量，甚至造成棉花的死亡［3-5］。因此，及時準確地識別和診斷棉花葉片病害，對于指導棉花的合理施肥、灌溉、病蟲害防治等農業(yè)管理措施，提高棉花的生產效率和質量，具有重要的意義。

棉花葉片是棉花植株的主要光合器官，也是病害發(fā)生的主要部位［6］。棉花葉片病害有多種類型，包括細菌、真菌、病毒、營養(yǎng)缺乏等，每種類型又有多種不同的病原體和癥狀［7］。目前，棉花葉片病害的識別方法主要有2種：一是依靠人工觀察和經驗判斷，二是利用計算機視覺和機器學習等技術進行自動識別［8-10］。人工觀察和經驗判斷雖然簡單易行，但存在諸多缺點，如主觀性強、易受環(huán)境因素干擾、耗時耗力、準確性低等。而計算機視覺和機器學習等技術則能夠克服這些缺點，實現(xiàn)快速、客觀、準確的棉花葉片病害識別［11］。近年來，隨著深度學習技術的發(fā)展和應用，特別是卷積神經網絡（CNN）模型在圖像處理領域的突出表現(xiàn)，基于CNN模型的植物病害識別方法也得到了廣泛的關注和研究［12-14］。

為實現(xiàn)自然條件下棉花病害圖像準確分類，張建華等提出基于改進VGG-16的病害識別模型，實現(xiàn)對棉花的褐斑病、炭疽病、黃萎病、枯萎病、輪紋病、正常葉片的準確區(qū)分［15］。劉海濤等設計了一種基于YOLO v4網絡的方法，能夠在復雜的自然場景中準確檢測頂芽的位置和大小，檢測頂芽效果好于其他模型，且逆光環(huán)境對檢測影響?。?6］。為了解決棉花頂芽在田間密植環(huán)境下難以識別的問題，陳柯屹等提出了一種改進的快速區(qū)域卷積神經網絡算法，實現(xiàn)了大田環(huán)境下棉花頂芽的有效檢測，為棉花精準打頂提供了技術支持［17］。

然而，現(xiàn)有基于深度學習的植物病害識別方法也存在一些問題和不足。首先，多數(shù)研究只考慮了少數(shù)幾種常見的植物病害類型，而忽略了許多其他類型。這樣就無法滿足實際應用中對多類型植物病害識別的需求。其次，多數(shù)方法只使用了單一的模型或算法進行特征提取和分類。這樣就無法充分利用圖像數(shù)據中的多層次和多維度信息，也無法有效地處理圖像數(shù)據中的噪聲、變形、遮擋等問題。針對上述問題和不足，本研究提出了一種基于 CNN-XGBoost 模型的多類型棉花葉片病害識別方法。主要貢獻和創(chuàng)新點如下：

（1）本研究收集了一個包含22種不同類型棉花葉片病害的數(shù)據集，該數(shù)據集包含了約1.2萬張高質量的圖像樣本，覆蓋了細菌、真菌、病毒、營養(yǎng)缺乏等多種原因引起的棉花葉片病害。

（2）提出一種基于CNN-XGBoost模型的多類型棉花葉片病害識別方法。首先使用CNN模型對棉花葉片圖像進行特征提取，然后將提取的特征輸入XGBoost模型進行分類。CNN模型能夠自動學習圖像中的高層次語義特征，XGBoost模型能夠有效地處理特征之間的非線性關系和特征選擇問題。

（3）設計加權交叉熵損失函數(shù)解決類別不平衡問題的損失訓練，給每個類別分配一個權重，使得少數(shù)類的損失更大，從而增加其分類的重要性。

1 試驗數(shù)據

1.1 圖像數(shù)據

首先，從棉田內實際拍攝取得大量的棉花葉片圖片，包括正常和不同類型的病害。這些圖片可以反映棉花葉片在不同光照、角度、背景等條件下的真實情況，有利于提高模型的泛化能力和魯棒性。

其次，通過互聯(lián)網獲取部分棉花圖片對數(shù)據集進行擴充。這些圖片可以增加數(shù)據集的多樣性和數(shù)量，有利于提高模型的準確性和穩(wěn)定性。

最后，經過篩選后選取6 000張相關圖片作為初始數(shù)據集。這些圖片包括1 000張正常葉片和 5 000 張病害葉片，其中病害葉片按照4種疾病類型（細菌、病毒、真菌、營養(yǎng)不足）進行分類，圖1為可視化棉花葉片的圖像數(shù)據集。這些圖片可以覆蓋棉花葉片的主要特征和病害類型，有利于提高模型的識別能力和分類效果。

1.2 棉花葉片病害類型

棉花葉片病害對棉花的產量和品質有重要的影響，也反映了棉花的生長狀況和抗逆能力。通過對棉花葉片病害類型的研究，可以為棉花高效栽培提供參考依據［18］。然而先前工作未對具體疾病分類，且研究類型較少，本研究的棉花葉片病害分為以下4種類型：

（1）細菌性疾?。哼@類疾病是由細菌引起的，主要有葉斑、枯萎和軟腐等，細菌性疾病會導致葉子變色、枯萎、出現(xiàn)黑色或軟質的斑點等。（2）病毒性疾?。哼@類疾病是由病毒引起的，主要有花葉、侏儒、畸形和卷曲等。病毒性疾病會導致葉子變形、變色、出現(xiàn)不規(guī)則的斑駁或突起等。（3）真菌性疾?。哼@類疾病是由真菌引起的，主要有銹斑、斑點、霉斑和腐敗等。真菌性疾病會導致葉子出現(xiàn)棕色或灰白色的粉末或斑點，或者導致葉子和棉桃腐爛等。（4）營養(yǎng)缺乏性疾?。哼@類疾病是由缺乏某種營養(yǎng)元素引起的，主要有氮、磷、硫、鎂、鈣、鉀、鐵、硼和鋅等。營養(yǎng)缺乏性疾病會導致葉子變黃、變紅、變白或變小，或者導致植株生長不良等。

根據以上類型，圖2為可視化21種棉花葉片病害類型，表1分析不同類型的詳細特征。

2 棉花葉片識別模型

2.1 模型概述

本研究提出一種結合CNN和XGBoost的混合模型， 用于多類型棉花葉片病害識別任務。模型的基本算法流程如圖3所示，模型的各個層次和工作流程如圖4所示。CNN-XGBoost模型主要由2個部分組成：特征提取器CNN和特征分類器XGBoost。

特征提取器CNN是一個深度學習網絡，用于從輸入圖像中自動提取空間特征［19］。CNN由多個卷積層、激活層、池化層、歸一化層和丟棄層組成，每個層都有一些可訓練的參數(shù)，如濾波器的大小、數(shù)量和步長。

特征分類器XGBoost是一個集成學習模型，用于對CNN提取的特征進行分類［20］。XGBoost是一種基于樹的算法，可以自適應地調整樹的深度、分裂點和權重，以達到最優(yōu)的分類效果。

CNN-XGBoost模型的優(yōu)勢在于它可以充分利用CNN的特征提取能力和XGBoost的分類能力，同時避免了單一分類器的不足，如過擬合、噪聲干擾等。模型參數(shù)詳細設置見表2。

2.2 卷積神經網絡

CNN可以通過多層的卷積、池化、激活等操作，從圖像中提取不同層次的特征，從而實現(xiàn)對圖像的分類、檢測、分割等任務［21］。采用CNN提取多類型棉花葉片病害的特征，分為以下步驟：

首先，將棉花葉片的圖像作為CNN的輸入，對圖像進行預處理，如縮放、裁剪、歸一化等，以適應CNN的輸入格式。

然后，通過多個卷積層和池化層，對圖像進行特征提取。卷積層可以使用不同大小和數(shù)量的卷積核，在圖像上滑動，進行局部感知和特征提取。卷積層的輸出是一個特征圖，表示圖像的局部特征。卷積層的數(shù)學表達式如下：

a（l）i，j，k=∑M-1m=0∑N-1n=0∑P-1p=0w（l）m，n，p，kx（l-1）i+m，j+n，p+b（l）k。（1）

式中：a（l）i，j，k表示第l層第k個特征圖在（i，j）位置的激活值；w（l）m，n，p，k表示第l層第k個卷積核在（m，n，p）位置的權重值；x（l-1）i+m，j+n，p表示第l-1層第k個特征圖在（i，j）位置的輸入值；b（l）k是第l層第k個卷積核的偏置值；M、N、P表示卷積核的尺寸。

池化層是CNN的另一個重要組成部分，本研究使用最大值函數(shù)，對卷積層的輸出進行降維和抽象。池化層的輸出也是一個特征圖，表示圖像的全局特征。池化層的數(shù)學表達式如下：

a＾（l）i，j，k=max{x（l-1）m，n，k｜m∈［i，i+M），n∈［j，j+N）}。（2）

式中：a＾（l）i，j，k表示第l層第k個特征圖在（i，j）位置的激活值，{x（l-1）m，n，k｜m∈［i，i+M），n∈［j，j+N）}表示第l-1層第k個特征圖在（i，j）位置周圍的一個子區(qū)域，M、N表示池化窗口的尺寸。

最后，通過1個或多個全連接層，將提取出的特征向量進行整合和映射，得到最終的特征表示：

a（l）i=sigmoid［∑J-1j=1w（l）i，jx（l-1）j+b（l）i］。（3）

式中：a（l）i表示第l層第i個神經元的激活值；w（l）i，j表示第l層第i個神經元和第l-1層第j個神經元之間的連接權重；x（l-1）j表示第層第j個神經元的輸入值；b（l）i表示第l層第i個神經元的偏置值；J表示第l-1層的神經元個數(shù)。

2.3 XGBoost

XGBoost是一種基于GBDT的算法，也是一種基于推進集成思想的加法模型，訓練時采用前向分布算法進行貪婪的學習，每次迭代都學習一棵CART樹來擬合之前t-1棵樹的預測結果與訓練樣本真實值的殘差［22］。XGBoost對多類型棉花葉片病害進行分類，本研究采用以下步驟：

首先，初始化一個常數(shù)作為第0棵樹的預測結果，通常是訓練樣本真實值的均值或者對數(shù)概率。初始化的數(shù)學表達式如下：

y＾（0）i==1n∑ni=1yi。（4）

式中：y＾（0）i表示第i個樣本在第0次迭代時的預測值；表示初始化常數(shù)；yi表示第i個樣本的真實值；n表示樣本總數(shù)。

然后，對于每一次迭代t（t=1，2，…，T），計算每個訓練樣本的負梯度（殘差）作為新的響應變量，并用這些新變量去擬合一棵CART樹。這棵樹由多個葉子節(jié)點組成，每個節(jié)點有一個權重值。迭代的數(shù)學表達式如下：

ri，t=l［yi，y＾（t-1）i］y＾（t-1）i；（5）

ft（xi）=wq（xi）。（6）

式中：ri，t表示第i個樣本在第t次迭代時的負梯度（殘差）；l表示損失函數(shù)；y＾（t-1）i表示第i個樣本在第p次迭代時的預測值；ft（xi）表示第t棵樹對第i個樣本的預測值；wq（xi）表示第t棵樹中第i個樣本所屬葉子節(jié)點的權重值；q（xi）表示第t棵樹中第i個樣本所屬葉子節(jié)點的索引。

接著，為防止過擬合和增加模型的泛化能力，XGBoost在目標函數(shù)中加入了正則項，并用泰勒公式對目標函數(shù)進行二階展開。這樣就可以得到每個葉子節(jié)點的最優(yōu)權重值和每棵樹的最優(yōu)分數(shù)。正則化和展開的數(shù)學表達式如下：

Obj（t）=∑ni=1l［yi，y＾（t）i］+∑ti=1Ω（fi）；（7）

Obj（t）≈∑ni=1{l［yi，y＾（t-1）i］+gifi（xi）+12hif2i（xi）}+Ω（ft）；（8）

Obj（t）≈∑Tj=1［（∑i∈Ijgi）wj+12（∑i∈Ijhi+λ）w2j］+γT；（9）

W*j=-∑i∈Ijgi∑i∈Ijhi+λ；（10）

Obj*=-12∑Tj=1（∑i∈Ijgi）2∑i∈Ijhi+λ+γT。（11）

式中：l表示損失函數(shù)；y＾（t）i表示第i個樣本在第t次迭代時的預測值；Ω是正則化項；fi是第i棵樹；gi和hi分別是損失函數(shù)的一階和二階導數(shù)；fi（xi）是第t棵樹對第i個樣本的預測值；T是葉子節(jié)點的個數(shù)；Ij是第j個葉子節(jié)點上的樣本集合；wj表示第j個葉子節(jié)點的權重值，λ和γ是正則化參數(shù)。

最后，更新當前模型，在原有模型的基礎上加上本次迭代學習到的樹，并乘上一個步長（學習率）：

y＾（t）i=y＾（t-1）i+ηfi（xi）。（12）

式中：y＾（t）i表示第i個樣本在第t次迭代時的預測值；η表示學習率；fi（xi）是第t棵樹對第i個樣本的預測值。

2.4 模型訓練

為解決樣本不平衡或部分域不穩(wěn)定的問題，設計加權交叉熵損失函數(shù)訓練更新CNN-XGBoost模型參數(shù)，用于多類型棉花葉片病害識別任務。

假設有N個樣本，每個樣本屬于M個類別中的一個，用yic表示第i個樣本是否屬于第c個類別，用pic表示第i個樣本被CNN-XGBoost模型預測為第c個別的概率，用wk表示第c個類別的權重。那么加權交叉熵損失函數(shù)可以定義為：

L=-1N∑Ni=1∑Mc=1wkyiclnpic。（13）

為了最小化損失函數(shù)，需要對CNN-XGBoost模型的參數(shù)進行梯度下降更新。CNN-XGBoost模型由2個部分組成：CNN部分和XGBoost部分。CNN部分由多個卷積層、池化層和全連接層組成，用θ表示其參數(shù)。XGBoost部分由多棵CART樹組成，用T表示其參數(shù)。那么CNN-XGBoost模型的輸出可以表示為：

pic=σ［fc（xi；θ）+gc（xi；T）］。（14）

式中：fc是CNN部分的輸出函數(shù)，gc是XGBoost部分的輸出函數(shù)，σ是sigmoid函數(shù)。

為了更新CNN部分的參數(shù)θ，需要計算損失函數(shù)對θ的梯度：

Lθ=-1N∑Ni=1∑Mc=1wkyiclnpicθ。（15）

利用鏈式法則，可以得到：

lnpicθ=1picpicθ=1picpicfcfcθ=pic（1-pic）fcθ。（16）

式中：fcθ可以通過反向傳播算法計算。

為了更新XGBoost部分的參數(shù)T，需要計算損失函數(shù)對T的梯度：

LT=-1N∑Ni=1∑Mc=1wkyiclnpicT。（17）

利用鏈式法則，可以得到：

lnpicT=1picpicT=1picpicgcgcT=pic（1-pic）gcT。（18）

式中：gcT可以通過XGBoost算法計算。

根據梯度下降法則，可以得到參數(shù)更新公式：

θ=θ-αLθ；（19）

T=T-αLT。（20）

式中：α表示學習率。

通過反復迭代，直到損失函數(shù)收斂或達到最大迭代次數(shù)，就可以得到訓練好的CNN-XGBoost模型，用于多類型棉花葉片病害識別任務。

3 結果與分析

3.1 試驗測試平臺

試驗于2023年8月在我國華南地區(qū)的某棉花研究所進行，測試平臺：處理器為Intel CoreTM i7-8750 CPU@ 2.20 GHz，操作系統(tǒng)為Windows 11，顯卡為NVIDIA GeForce RTX2060，8 GB顯存，64位系統(tǒng)。

訓練環(huán)境：由Anaconda3創(chuàng)建，使用Python 3.7語言和Pytorch 1.4深度學習框架。

3.2 圖像數(shù)據預處理

為擴充數(shù)據集，對數(shù)據集圖片進行了離線數(shù)據增強方法，包括翻轉、柔化、銳化和灰度等操作，如圖5所示。然后，使用labelImg軟件對數(shù)據集進行了標注，選擇了PASAL VOC2007格式作為標注格式，并用隨機函數(shù)將數(shù)據集劃分為訓練集和測試集，比例為 4 ∶1。

3.3 評價指標

根據精確率（P）、召回率（R）、F1分數(shù)和準確率（A）等評價指標對所提出的CNN-XGBoost模型進行評估。為了評估不同類別之間的平衡性，本研究還計算了平均精度。精確率（P） 、召回率（R）、F1 分數(shù)和準確率（A）的計算公式如下：

P=TPTP+FP；（21）

R=TPTP+FN；（22）

F1分數(shù)=2P×RP+R；（23）

A=TP+FNTP+TN+FP+FN。（24）

式中：TP表示真陽性；TN表示真陽性真陰性；FP表示假陽性；FN表示假陰性。

3.4 評估指標分析

圖6為可視化本研究模型在訓練集和測試集上的準確率和損失。本研究模型在訓練集上的準確率隨著訓練批次的增加而逐漸提高，從約0.6增加到約0.98，表明該模型能夠有效地學習訓練數(shù)據的特征和規(guī)律。該模型在測試集上的準確率也隨著訓練批次的增加而逐漸提高，從約0.1增加到約0.95，表明該模型具有較好的泛化能力，能夠適應新的數(shù)據。在訓練集上的損失隨著訓練批次的增加而逐漸降低，從約0.5降低到約0.1，表明該模型能夠有效降低預測誤差，提高分類性能。在測試集上的損失值也隨著訓練批次的增加而逐漸降低，從約0.9降低到約0.1，表明該模型能夠避免過擬合，保持較好的穩(wěn)定性。

表3展示了不同模型的平均識別準確率，從數(shù)據中可以看出，CNN-XGBoost模型在訓練集和測試集上的準確率都是最高的，分別達到了0.98、0.93，說明該模型具有很強的泛化能力和預測能力。此外，本模型相比于其他模型（如AlexNet、MobileNet v2、ResNet50、ResNet101、VGG16、VGG19），可以有效地降低過擬合的風險，因為XGBoost可以通過正則化項和剪枝技術來控制樹的復雜度。

本研究模型使用了數(shù)據增強方法，通過對圖像進翻轉、銳化、柔化等變換，增加數(shù)據集的大小和多樣性，減少模型對噪聲和異常值的敏感性。表4展示了不同數(shù)據類型的識別準確率對比，可以看出數(shù)據增強對CNN-XGBoost模型的準確率有一定的提升作用。在數(shù)據增強的情況下，訓練集和測試集的準確率分別提高了0.03、0.04，達到了0.97、0.95，表明模型能夠更好地適應不同的數(shù)據變化，避免過擬合或欠擬合。

混淆矩陣是一種用于評估分類模型性能的工具，它顯示了模型對每個類別的預測結果和實際結果的對比。混淆矩陣的行表示實際類別，列表示預測類別。對角線上的元素表示模型正確預測的樣本數(shù)，非對角線上的元素表示模型錯誤預測的樣本數(shù)。由圖7可以看出，本研究模型在多類型棉花葉片病害識別任務上表現(xiàn)出了較高的準確率和較低的誤差。對角線上的元素都是100以上，表明模型能夠正確識別出大部分的樣本。非對角線上的元素都是30以下，表明模型很少將一個類別誤判為另一個類別。

為更好地評估模型的性能，通過混淆矩陣計精確率、召回率、F1分數(shù)等指標。由表5可知，每個類別的精確率、召回率和F1分數(shù)都接近或達到了1，表明模型在每個類別上都有很好的性能，沒有明顯的偏差或不平衡。

4 結論

本研究提出了一種基于CNN-XGBoost模型的多類型棉花葉片病害識別方法，利用CNN提取棉花葉片圖像的特征，然后使用XGBoost分類器進行多分類任務。在收集的棉花葉片病害數(shù)據集上進行廣泛試驗，與CNN、AlexNet、MobileNet v2、ResNet50、ResNet101、VGG16、VGG19等方法進行了對比。結果表明，本研究提出的CNN-XGBoost模型在多種類型棉花葉片病害的實例上都能準確識別，能夠充分利用圖像數(shù)據中的多層次和多維度信息，同時具有較強的魯棒性和泛化能力，為棉花種植業(yè)提供了一種準確、低成本的病害診斷方法，有助于提高棉花的產量和質量，促進棉花產業(yè)的發(fā)展。

參考文獻：

［1］陶云平. 棉花經濟效益的影響因素及競爭力提升：評《我國棉花國際競爭力研究》［J］. 棉花學報，2022，34（4）：361.

［2］霍 遠，張 敏，王 惠. 新疆棉花成本及經濟效益分析［J］. 干旱區(qū)地理，2011，34（5）：838-842.

［3］Olmstead A L，Rhode P W. Biological innovation and productivity growth in the antebellum cotton economy［J］. The Journal of Economic History，2008，68（4）：1123-1171.

［4］Subramanian K，Sarkar M K，Wang H M，et al. An overview of cotton and polyester，and their blended waste textile valorisation to value-added products：a circular economy approach–research trends，opportunities and challenges［J］. Critical Reviews in Environmental Science and Technology，2022，52（21）：3921-3942.

［5］Najork K，F(xiàn)riedrich J，Keck M. Bt cotton，pink bollworm，and the political economy of sociobiological obsolescence：insights from Telangana，India［J］. Agriculture and Human Values，2022，39（3）：1007-1026.

［6］張 泓，吐爾遜江·買買提，張少民，等. 近30年全國棉花生產區(qū)域時空變化及區(qū)域優(yōu)勢分析［J］. 新疆農業(yè)科學，2023，60（4）：1028-1040.

［7］王如意，宋玉蘭. 產業(yè)鏈視角下中國棉花生產布局演化及影響因素研究［J］. 資源開發(fā)與市場，2022，38（3）：337-343，384.

［8］Manavalan R. Towards an intelligent approaches for cotton diseases detection：a review［J］. Computers and Electronics in Agriculture，2022，200（1）：107255.

［9］Caldeira R F，Santiago W E，Teruel B. Identification of cotton leaf lesions using deep learning techniques［J］. Sensors，2021，21（9）：3169.

［10］楊 野，楊德昌，孫 紅，等. 基于無人機多光譜遙感和機器學習算法的南疆棉花生物量估算［J］. 江蘇農業(yè)科學，2023，51（15）：179-187.

［11］Wei F，F(xiàn)eng H J，Zhang D Z，et al. Composition of rhizosphere microbial communities associated with healthy and Verticillium wilt diseased cotton plants［J］. Frontiers in Microbiology，2021，12：618169.

［12］祁佳峰，郭 鵬，劉 笑，等. 基于無人機高清影像的棉花苗期長勢監(jiān)測及后期長勢預測［J］. 江蘇農業(yè)科學，2023，51（16）：170-178.

［13］Zambare R，Deshmukh R，Awati C，et al. Deep learning model for disease identification of cotton plants［J］. Specialusis Ugdymas，2022，1（43）：6684-6695.

［14］劉桂鋒，楊 倩，劉 瓊. 農業(yè)科學數(shù)據集的本體構建與可視化研究：以“棉花病害防治”領域為例［J］. 情報雜志，2022，41（9）：143-149，175.

［15］張建華，孔繁濤，吳建寨，等. 基于改進VGG卷積神經網絡的棉花病害識別模型［J］. 中國農業(yè)大學學報，2018，23（11）：161-171.

［16］劉海濤，韓 鑫，蘭玉彬，等. 基于YOLO v4網絡的棉花頂芽精準識別方法［J］. 中國農業(yè)科技導報，2022，24（8）：99-108.

［17］陳柯屹，朱龍付，宋 鵬，等. 融合動態(tài)機制的改進型Faster R-CNN識別田間棉花頂芽［J］. 農業(yè)工程學報，2021，37（16）：161-168.

［18］Patil S P，Zambre R S. Classification of cotton leaf spot disease using support vector machine［J］. International Journal of Engineering Research，2014，3（4）：1511-1514.

［19］何相良，戴建國，侯文慶，等. 基于深度卷積神經網絡的棉花葉片缺氮診斷［J］. 江蘇農業(yè)科學，2022，50（22）：180-191.

［20］金松林，來純曉，鄭 穎，等. 基于特征選擇和CNN+Bi-RNN模型的小麥抗寒性識別方法［J］. 江蘇農業(yè)科學，2022，50（10）：201-207.

［21］Naeem A B，Senapati B，Chauhan A S，et al. Deep learning models for cotton leaf disease detection with VGG-16［J］. International Journal of Intelligent Systems and Applications in Engineering，2023，11（2）：550-556.

［22］張 超，陳 暢，徐海清，等. 基于XGBoost算法的多云多霧地區(qū)多源遙感作物識別［J］. 農業(yè)機械學報，2022，53（4）：149-156.