Ghost-MobileNet v2：一種輕量級玉米田雜草識別新模型

doi：10.15889/j.issn.1002-1302.2024.20.021

摘要：農(nóng)田雜草種類繁多、生命力強(qiáng)、危害作物的各個(gè)生長周期，對現(xiàn)代化農(nóng)業(yè)生產(chǎn)依舊具有極大的影響。為了協(xié)助農(nóng)業(yè)生產(chǎn)中的雜草防治工作，對雜草準(zhǔn)確、無損、高效識別，將深度學(xué)習(xí)與農(nóng)業(yè)結(jié)合，利用深度學(xué)習(xí)技術(shù)對玉米田中的雜草進(jìn)行識別和分類，從而為玉米田雜草治理提供技術(shù)支持。針對經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)計(jì)算量大、準(zhǔn)確率低、訓(xùn)練時(shí)間長等問題，提出了一種基于MobileNet v2輕量級網(wǎng)絡(luò)的玉米田雜草識別新模型Ghost-MobileNet v2。該模型以MobileNet v2為基礎(chǔ)，加入Ghost模塊強(qiáng)化信息流動、提升特征表達(dá)能力；再加入SE-CBAM注意力機(jī)制，該注意力機(jī)制由SE注意力機(jī)制和CBAM注意力機(jī)制并聯(lián)組合而成，在通道和空間2個(gè)維度上綜合考慮特征的重要性，更全面地捕捉圖像特征，從而提升網(wǎng)絡(luò)的表達(dá)能力和泛化能力。試驗(yàn)結(jié)果表明，與其他經(jīng)典的模型和先進(jìn)的多尺度模型相比，Ghost-MobileNet v2對玉米田雜草有更好的分類效果，平均準(zhǔn)確率達(dá)到了99.00%，高于原模型的97.58%。通過精確率、召回率、F1分?jǐn)?shù)等3個(gè)評價(jià)指標(biāo)，得出Ghost-MobileNet v2具有魯棒性好、穩(wěn)定性高、識別率高等特點(diǎn)，將該網(wǎng)絡(luò)與現(xiàn)實(shí)農(nóng)業(yè)生產(chǎn)中玉米田雜草防治工作相結(jié)合，可以有效地提高工作效率。

關(guān)鍵詞：深度學(xué)習(xí)；玉米；雜草；Ghost-MobileNet v2；注意力機(jī)制

中圖分類號：S126；TP391.41" 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）20-0173-08

收稿日期：2023-12-16

基金項(xiàng)目：國家自然科學(xué)基金（編號：61862032）；江西省自然科學(xué)基金（編號：20202BABL202034）。

作者簡介：許" 爽（1998—），男，湖北孝感人，碩士研究生，主要從事農(nóng)業(yè)信息技術(shù)研究。E-mail：1078828268@qq.com。

通信作者：楊" 樂，碩士，副教授，碩士生導(dǎo)師，主要從事農(nóng)業(yè)信息技術(shù)、深度學(xué)習(xí)等研究。E-mail：jxnzhyangle@163.com。

我國是世界上人口最多的國家之一，對農(nóng)產(chǎn)品需求量大，農(nóng)業(yè)是我國的基礎(chǔ)產(chǎn)業(yè)，農(nóng)業(yè)的發(fā)展會影響到生活的各個(gè)方面。玉米是世界三大糧食作物之一，種植面積和產(chǎn)量均居世界前列，玉米的種植對全球糧食安全具有重大意義，玉米田雜草一直以來對玉米的產(chǎn)量和質(zhì)量有著不可小覷的影響，確保玉米生產(chǎn)高質(zhì)量和高產(chǎn)量是一項(xiàng)艱巨的任務(wù)。

圖像識別技術(shù)在農(nóng)業(yè)生產(chǎn)過程中已有非常廣泛的應(yīng)用，特別是在農(nóng)業(yè)病蟲害防治、農(nóng)作物識別、農(nóng)田雜草識別等方面。將深度學(xué)習(xí)技術(shù)用在雜草防治工作中不僅可以提高工作效率，而且有助于保護(hù)農(nóng)田環(huán)境，計(jì)算機(jī)與農(nóng)業(yè)相結(jié)合已成為一條必然之路，雜草圖像識別技術(shù)在農(nóng)業(yè)應(yīng)用中展現(xiàn)出巨大的應(yīng)用前景和價(jià)值［1-11］。彭文等利用深度卷積神經(jīng)網(wǎng)絡(luò)對6種水稻雜草進(jìn)行識別，平均F值高達(dá)0.954［12］。鄧向武等運(yùn)用遷移學(xué)習(xí)與CNN相結(jié)合的方法，對6種稻田苗期雜草進(jìn)行識別，在AlexNet、VGG16和GoogLeNet上識別準(zhǔn)確率分別達(dá)到了96.40%、97.48%和91.01%［13］。Xu等提出了一種基于深度轉(zhuǎn)移學(xué)習(xí)的深度可分離卷積神經(jīng)網(wǎng)絡(luò)雜草識別方法，該模型對9種雜草的識別準(zhǔn)確率達(dá)到99.63%［14］。2023年，姚思雨等在CNN模型中添加Dropout層，對棉花植株和雜草的分類準(zhǔn)確率超過99.95%［15］。當(dāng)前的雜草圖像數(shù)據(jù)集規(guī)模較小，圖像質(zhì)量參差不齊，這將嚴(yán)重限制網(wǎng)絡(luò)模型訓(xùn)練的效果，導(dǎo)致識別準(zhǔn)確率較低。對于一些參數(shù)量較大的模型，即使對雜草識別有很高的準(zhǔn)確率，但是不利于嵌入到移動設(shè)備中，難以運(yùn)用到實(shí)際生產(chǎn)中的雜草防治工作。采用輕量級卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行雜草圖像識別，相比傳統(tǒng)的大型網(wǎng)絡(luò)模型具有明顯的優(yōu)勢。輕量級網(wǎng)絡(luò)參數(shù)量少，計(jì)算量小，更易于在嵌入式和移動設(shè)備上部署，可以實(shí)現(xiàn)實(shí)時(shí)的雜草識別。2022年，陳啟等以ResNet50和MobileNet v3 Large模型為基礎(chǔ)，構(gòu)建出一個(gè)輕量級網(wǎng)絡(luò)，在模型大小變化不大的情況下，識別準(zhǔn)確率提升1.2百分點(diǎn)［16］。

本研究以玉米田雜草為主要研究對象，通過多組試驗(yàn)，構(gòu)建出高效、可靠、準(zhǔn)確率高且具有泛化能力的新型卷積神經(jīng)網(wǎng)絡(luò)Ghost-MobileNet v2，該網(wǎng)絡(luò)將MobileNet v2網(wǎng)絡(luò)、Ghost模塊以及SE-CBAM注意力機(jī)制融合在一起。Ghost模塊自提出以來被廣泛運(yùn)用于各個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)中，是一個(gè)高效且可以即插即用的模塊，能增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力；SE注意力機(jī)制和CBAM注意力機(jī)制被大量用于圖像分類、目標(biāo)檢測等網(wǎng)絡(luò)中［17-23］。本研究提出的模型與現(xiàn)有模型相比，該模型有以下3個(gè)主要貢獻(xiàn)：提出一種用于農(nóng)作物雜草識別的新型輕量級網(wǎng)絡(luò)Ghost-MobileNet v2。在MobileNet v2中加入SE-CBAM注意力機(jī)制，將SE注意力機(jī)制和CBAM注意力機(jī)制并聯(lián)組合，更全面地在通道和空間2個(gè)維度上提取圖像特征，提高網(wǎng)絡(luò)的表達(dá)能力。使用3個(gè)Ghost模塊來替換MobileNet v2網(wǎng)絡(luò)中的第2個(gè)倒殘差塊，使網(wǎng)絡(luò)利用較少的特征生成大量的特征圖，減少訓(xùn)練時(shí)間，提高準(zhǔn)確率。

1" 材料與方法

1.1" 圖像收集

通過互聯(lián)網(wǎng)搜索、收集到一些玉米幼苗和玉米田雜草圖像，并通過專家鑒定以及人工篩選，處理后共計(jì)得到6 000張圖片，其中包括1種玉米幼苗和4種玉米田雜草圖片，每種1 200張圖片，雜草類別分別為早熟禾、灰菜、刺兒草、莎草，部分圖片樣本如圖1所示。

1.2" 模型構(gòu)建

1.2.1" MobileNet v2

MobileNet v2是由Google團(tuán)隊(duì)在2018年提出的，相比于MobileNet v1其準(zhǔn)確率更高，模型更小，該網(wǎng)絡(luò)的優(yōu)點(diǎn)在于使用了大量倒殘差塊和線性瓶頸層，與Resnet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)不同的是，在 MobileNet v2 中，先對輸入到網(wǎng)絡(luò)中的特征進(jìn)行升維再降維，將3×3卷積替換為3×3深度可分離卷積，并且只有當(dāng)步距為1且輸入特征矩陣與輸出特征矩陣相同的時(shí)候才有短接連接［24-25］。使用線性瓶頸層可以使網(wǎng)絡(luò)在大幅減少參數(shù)量和計(jì)算量的同時(shí)能夠保持準(zhǔn)確率，非常適合移動和邊緣場景，倒殘差塊的結(jié)構(gòu)如圖2所示。

1.2.2" Ghost模塊

Ghost模塊是一種模型壓縮模塊，常用于輕量級卷積神經(jīng)網(wǎng)絡(luò)中，可以用較少的特征生成大量的特征圖，在模型參數(shù)沒有明顯變化的同時(shí)可以提高模型的準(zhǔn)確率，增強(qiáng)特征表達(dá)能力，減少網(wǎng)絡(luò)的訓(xùn)練時(shí)間，且模塊結(jié)構(gòu)簡單，如圖3所示，第一步使用較小的卷積核進(jìn)行卷積生成部分所需的特征圖，第二步在第一步的基礎(chǔ)上進(jìn)行一些低成本的操作，例如線性變換等，來生成剩下所需要的特征圖，最后，將前兩步所獲得的特征圖進(jìn)行拼接，得到完整的所需的特征圖。

1.2.3" SE注意力機(jī)制

SENet是2017年ImageNet競賽的冠軍，結(jié)構(gòu)如圖4所示。主要由壓縮和激勵(lì)2個(gè)部分組成，在壓縮操作中，對C個(gè)通道大小為 H×W的特征圖進(jìn)行全局平均池化，C×H×W的特征圖被壓縮為1個(gè)1×1×C大小的一維向量，獲得了C個(gè)通道的全局信息。在激勵(lì)操作中，將壓縮操作得到的1×1×C一維特征送入全連接層，為每個(gè)特征通道生成權(quán)重，獲取每個(gè)通道的重要性，以此來顯示各個(gè)通道之間的相關(guān)性。最后將激勵(lì)操作輸出的權(quán)重通過乘法逐通道加權(quán)到先前的特征上，完成對原始特征的重標(biāo)定［26］。

1.2.4" CBAM注意力機(jī)制

CBAM是一種輕量級的注意力機(jī)制，可以增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)對特征的關(guān)注能力，該模塊由通道注意力和空間注意力組成。通道注意力機(jī)制首先對輸入的圖像分別進(jìn)行最大池化和平均池化，然后將最大池化和平均池化的結(jié)果送到共享的多層感知機(jī)中進(jìn)行處理，將兩者處理的結(jié)果通過元素相加合并，最后使用Sigmoid函數(shù)生成通道注意力特征Mc，如公式（1）所示。空間注意力機(jī)制將通道注意力模塊輸出的特征圖作為輸入特征圖，首先，進(jìn)行最大池化和平均池化，然后將二者處理的結(jié)果在同一維度上進(jìn)行堆疊，再經(jīng)過一個(gè)卷積操作進(jìn)行降維處理，最后使用Sigmoid函數(shù)生成空間注意力特征Ms，如公式（2）所示。CBAM通過結(jié)合通道和空間2種注意力，可以自動學(xué)習(xí)到對特征表達(dá)更重要的維度，實(shí)現(xiàn)對特征的自適應(yīng)調(diào)節(jié)，增強(qiáng)模型的特征表達(dá)能力，其結(jié)構(gòu)圖如圖5所示。

Mc（F）=σ（MLP［AvgPool（F）+MLP（MaxPool（F））］）；（1）

Ms（F）=σ（f7×7（［AvgPool（F）；MaxPool（F）］））。（2）

式中：F是輸入特征圖；AvgPool和MaxPool分別表示全局平均池化和最大池化操作； MLP表示多層感

知機(jī)；σ表示Sigmoid激活函數(shù)；f7×7表示一個(gè)7×7的卷積操作。

1.2.5" SE-CBAM注意力機(jī)制

本研究所提出的 SE-CBAM 注意力機(jī)制由SE注意力機(jī)制與CBAM注意力機(jī)制并聯(lián)組成，SE注意力機(jī)制主要關(guān)注通道特征的重要性，而CBAM同時(shí)考慮通道和空間的重要性，不同的任務(wù)和數(shù)據(jù)集可能對通道和空間的關(guān)注程度有所不同，結(jié)合使用可以使網(wǎng)絡(luò)更具適應(yīng)性。SE注意力機(jī)制通過全局平均池化學(xué)習(xí)通道的重要性，而CBAM則進(jìn)一步擴(kuò)展了這一點(diǎn)，通過結(jié)合通道注意力和空間注意力來分別學(xué)習(xí)通道和空間維度的重要性。兩者的結(jié)合可以使網(wǎng)絡(luò)更加自適應(yīng)地學(xué)習(xí)特征之間的關(guān)系，適應(yīng)不同任務(wù)和數(shù)據(jù)的變化，其結(jié)構(gòu)圖如圖6所示。

1.2.6" Ghost-MobileNet v2模型

本研究是以MobileNet v2為基礎(chǔ)，加入Ghost模塊，改進(jìn)的模型中用3個(gè)Ghost模塊替換MobileNet v2中原有的第2個(gè)倒殘差模塊，以增強(qiáng)特征表示能力，提高模型的識別準(zhǔn)確率，并將 Ghost 模塊中的步距設(shè)置為 1，有助于網(wǎng)絡(luò)在細(xì)節(jié)層面上進(jìn)行更精細(xì)的特征提取，在最后一個(gè)倒殘差模塊和全局平均池化層之間加入了SE-CBAM模塊，從通道和空間2個(gè)維度上提取特征，加強(qiáng)特征的聚焦，減小網(wǎng)絡(luò)過擬合的風(fēng)險(xiǎn)，其結(jié)構(gòu)如圖7所示。

2" 結(jié)果與分析

本試驗(yàn)使用的計(jì)算機(jī)配置為AMD Ryzen 7 5800H；頻率為3.20 GHz，24.0 GB內(nèi)存；NVIDIA GeForce RTX 3060 顯卡； CUDA的版本是11.2；Cudnn的版本是8.1；搭載Windows 10，64位操作系統(tǒng)。所使用的軟件主要包括OpenCV圖像處理軟件以及tensorflow 2.5.0深度學(xué)習(xí)框架，使用Python語言進(jìn)行程序編譯，Python版本為3.7，試驗(yàn)于2023年10月在江西南昌進(jìn)行，各參數(shù)如表1所示。

2.1" 試驗(yàn)結(jié)果與設(shè)計(jì)

本試驗(yàn)將數(shù)據(jù)集按照6 ∶2 ∶2的比例分為訓(xùn)練集、驗(yàn)證集和測試集，再將圖片統(tǒng)一為224×224的尺寸輸入，圖8和圖9分別為Ghost-MobileNet v2訓(xùn)練的準(zhǔn)確率曲線和損失值曲線。從圖8、圖9可以看出，模型在迭代25次左右開始收斂，且隨著迭代次數(shù)的增加，兩曲線逐漸貼合，說明該模型達(dá)到了擬合狀態(tài)，達(dá)到了一個(gè)很好的訓(xùn)練效果。

為進(jìn)一步驗(yàn)證Ghost-MobileNet v2的泛化能力，本研究還進(jìn)行了其他試驗(yàn)，分別為注意力機(jī)制中的不同組合對比試驗(yàn)、不同注意力機(jī)制對比試驗(yàn)、消融試驗(yàn)、模型在其他數(shù)據(jù)集中的驗(yàn)證試驗(yàn)以及與其他模型對比試驗(yàn)。

2.2" 評價(jià)指標(biāo)

本研究使用精確率（precision，P）、召回率（recall，R）、準(zhǔn)確率（Accuray）和F1分?jǐn)?shù)來衡量Ghost-

MobileNet v2在識別玉米田雜草方面的性能，計(jì)算公式如下：

P=TPTP+FP；（3）

R=TPTP+FN；（4）

Accuray=TP+TNTP+FN+FP+TN；（5）

F1分?jǐn)?shù)=2Recall×PrecisionPrecision+Recall。（6）

式中：TP表示將正樣本預(yù)測為正樣本的數(shù)量，即預(yù)測正確；FP表示將負(fù)樣本預(yù)測為正樣本的數(shù)量，即預(yù)測錯(cuò)誤；FN表示將正樣本預(yù)測為負(fù)樣本的數(shù)量，即預(yù)測錯(cuò)誤；TN表示將負(fù)樣本預(yù)測為負(fù)樣本的數(shù)量，即預(yù)測正確。

2.3" 注意力機(jī)制中的不同組合對比試驗(yàn)

SE注意力機(jī)制側(cè)重于通道間的關(guān)系，而CBAM結(jié)合了通道和空間注意力，它們的組合能夠更全面地捕捉到圖像中的關(guān)鍵特征，提高模型對不同層次特征的感知能力，模型可以在更細(xì)致和全局的層面上理解圖像特征，從而提高對關(guān)鍵信息的捕捉和利用，最終提高網(wǎng)絡(luò)模型的性能。本試驗(yàn)將SE與CBAM進(jìn)行了3種不同的組合，分別為串聯(lián)組合、將SE嵌入到CBAM中組合以及將SE與CBAM進(jìn)行并聯(lián)組合，并分別加入到Ghost-MobileNet v2中。由試驗(yàn)結(jié)果（表2）得出，SE-CBAM組合即二者并聯(lián)組合準(zhǔn)確率最高，達(dá)到99.00%，高于SE+CBAM串聯(lián)組合和CB+SE+AM的嵌入式組合。

2.4" 不同注意力機(jī)制對比試驗(yàn)

注意力機(jī)制可以選擇圖像中重要的特征區(qū)域，抑制不重要的區(qū)域，使網(wǎng)絡(luò)更關(guān)注于關(guān)鍵的特征，常用的注意力機(jī)制有CBAM、ECA、SE等3種，本研究將3種注意力機(jī)制分別加入Ghost-MobileNet v2網(wǎng)絡(luò)中，與本研究所提出的注意力機(jī)制進(jìn)行對比，

保持各參數(shù)相同且激活函數(shù)使用ReLU6。試驗(yàn)結(jié)果（表3）表明，SE-CBAM注意力機(jī)制在該網(wǎng)絡(luò)中表現(xiàn)最出色，對玉米幼苗與雜草的分類效果最好，其識別準(zhǔn)確率高于SE（97.58%）、ECA（98.08%）和CBAM（98.92%）的準(zhǔn)確率。

2.5" 消融試驗(yàn)

為驗(yàn)證加入SE-CBAM和Ghost模塊時(shí)模型效果最佳，本研究在同一條件下對各分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，分別為只加入SE-CBAM的網(wǎng)絡(luò)、只加入Ghost的網(wǎng)絡(luò)、加入SE-CBAM和Ghost的網(wǎng)絡(luò)（本研究提出）以及原MobileNet v2網(wǎng)絡(luò)。結(jié)果（表4）表明，在使用SE-CBAM與Ghost時(shí)的網(wǎng)絡(luò)對玉米幼苗與雜草的分類效果最好，準(zhǔn)確率達(dá)到了99.00%。另外，圖10為上述4種網(wǎng)絡(luò)的混淆矩陣圖。圖10表明，Ghost-MobileNet v2已經(jīng)成功識別每種類型中的大部分樣本圖像，同樣說明了本研究所提出的方法在性能上的優(yōu)越性。

2.6" 模型在其他數(shù)據(jù)集中的驗(yàn)證試驗(yàn)

為驗(yàn)證本研究提出的模型的泛化能力，從Plant Village公共數(shù)據(jù)集獲取了葡萄葉片病害數(shù)據(jù)集，通常卷積神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)來進(jìn)行訓(xùn)練，鑒于現(xiàn)有的條件，無法收集到更大量的圖像，而現(xiàn)有的數(shù)據(jù)集較少，本研究對原有的數(shù)據(jù)集進(jìn)行擴(kuò)充，擴(kuò)充后的數(shù)據(jù)集包括黑腐病、黑麻疹病、健康、葉枯病圖像各1 500張，數(shù)據(jù)集樣本如圖11所示。與前文中的試驗(yàn)一樣，將數(shù)據(jù)集按照6 ∶2 ∶2的比例分為訓(xùn)練集、驗(yàn)證集和測試集，且保持與前文試驗(yàn)相同的參數(shù)，對MobileNet v2和Ghost-MobileNet v2分別進(jìn)行訓(xùn)練。結(jié)果（表5）表明，在葡萄葉片病害的數(shù)據(jù)集中，Ghost-MobileNet v2模型的識別準(zhǔn)確率達(dá)到了96.58%，高于原MobileNet v2模型92.33%的準(zhǔn)確率，說明Ghost-MobileNet v2在其他作物中同樣適用，證明了該模型具有良好的泛化能力。

2.7" 與其他模型對比試驗(yàn)

為了進(jìn)一步驗(yàn)證Ghost-MobileNet v2的性能，將Ghost-MobileNet v2模型與其他卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，其中包括MobileNet v3、AlexNet、VGG16、Efficient Net、VGG19，結(jié)果如表6所示。與AlexNet、VGG16、VGG19這些參數(shù)量較大的網(wǎng)絡(luò)相比，Ghost-MobileNet v2的準(zhǔn)確率略高，但參數(shù)量大幅下降，便于嵌入到移動設(shè)備中。與MobileNet v3等輕量級的模型相比，Ghost-MobileNet v2的準(zhǔn)確率比MobileNet v3的高出1.92百分點(diǎn)，進(jìn)一步說明了Ghost-MobileNet v2模型性能優(yōu)越。

3" 討論與結(jié)論

為解決農(nóng)業(yè)生產(chǎn)過程中雜草防治工作較難的問題，本研究在MobileNet v2網(wǎng)絡(luò)的基礎(chǔ)上引入了Ghost模塊，增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力，提高識別準(zhǔn)確率，對4種玉米田雜草和玉米幼苗進(jìn)行了精準(zhǔn)、 高效的

分類；采用SE-CBAM注意力機(jī)制，對細(xì)小的雜草特征從通道和空間2個(gè)維度上進(jìn)行提取，以獲得更全面的圖像特征，便于網(wǎng)絡(luò)最后對各個(gè)目標(biāo)進(jìn)行分類。為了驗(yàn)證本研究所提出網(wǎng)絡(luò)的泛化能力，在PlantVillage大型公共數(shù)據(jù)集中獲取了葡萄葉片病害數(shù)據(jù)集進(jìn)行了對比試驗(yàn)，并通過多組對比試驗(yàn)從多個(gè)方面驗(yàn)證了本研究模塊的性能，以輕量級網(wǎng)絡(luò)作為載體，方便嵌入到各種移動設(shè)備中，進(jìn)一步提高農(nóng)業(yè)生產(chǎn)過程中雜草防治的效率。

參考文獻(xiàn)：

［1］Al-Gaashani M S A M，Shang F，El-Latif A A A. Ensemble learning of lightweight deep convolutional neural networks for crop disease image detection［J］. Journal of Circuits，Systems and Computers，2023，32（5）：2350086.

［2］Chen J，Zhang D，Suzauddola M，et al. Identification of plant disease images via a squeeze-and-excitation MobileNet model and twice transfer learning［J］. IET Image Processing，2021，15：1115-1127.

［3］Senan N，Aamir M，Ibrahim R，et al. An efficient convolutional neural network for paddy leaf disease and pest classification［J］. International Journal of Advanced Computer Science and Applications，2020，11（7）：116-122.

［4］Zhu S，Ma W，Lu J，et al. A novel approach for apple leaf disease image segmentation in complex scenes based on two-stage DeepLab v3+ with adaptive loss［J］. Computers and Electronics in Agriculture，2023，204： 107539.

［5］Kim H，Kim D. Deep-learning-based strawberry leaf pest classification for sustainable smart farms［J］. Sustainability，2023，15（10）：7931.

［6］Jaiganesh M，SathyaDevi M，Srinivasa Chakravarthy K，et al. Identification of plant species using CNN- Classifier［J］. Journal of Critical Reviews，2020，7（3）：923-931.

［7］Bongulwar D M. Identification of fruits using deep learning approach［J］. IOP Conference Series： Materials Science and Engineering，2021，1049（1）：012004.

［8］Chavan T R，Nandedkar A V. AgroAVNET for crops and weeds classification： a step forward in automatic farming［J］. Computers amp; Electronics in Agriculture，2018，154：361-372.

［9］Wagle S A，Harikrishnan R. A deep learning-based approach in classification and validation of tomato leaf disease［J］. TS，2021，38（3）：699-709.

［10］Liu Y W，Zhang X，Gao Y X，et al. Improved CNN method for crop pest identification based on transfer learning［J］. Computational Intelligence and Neuroscience，2022（2022）：9709648.

［11］尚建偉，蔣紅海，喻" 剛，等. 基于深度學(xué)習(xí)的雜草識別系統(tǒng)［J］. 軟件導(dǎo)刊，2020，19（7）：127-130.

［12］彭" 文，蘭玉彬，岳學(xué)軍，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻田雜草識別研究［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：75-81.

［13］鄧向武，馬" 旭，齊" 龍，等." 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的稻田苗期雜草識別［J］. 農(nóng)機(jī)化研究，2021，43（10）：167-171.

［14］Xu Y L，Zhai Y T，Zhao B，et al. Weed recognition for depthwise separable network based on transfer learning［J］. Intelligent Automation amp; Soft Computing，2021，27（3）：669-682.

［15］姚思雨，王" 磊，張宏文. 基于CNN的棉田雜草識別方法［J］. 石河子大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，41（1）：21-26.

［16］陳" 啟，陳慈發(fā)，鄧向武，等. 基于移動端輕量模型的雜草分類方法研究［J］. 中國農(nóng)機(jī)化學(xué)報(bào)，2022，43（2）：163-170.

［17］Sandler M，Howard A，Zhu M，et al. MobileNet v2： inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.IEEE，2018：4510-4520.

［18］Han K，Wang Y，Tian Q，et al. GhostNet： more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.IEEE，2020：1577-1586.

［19］Zhang T，Zhang Y N，Xin M L，et al. A light-weight network for small insulator and defect detection using UAV imaging based on improved YOLO v5［J］. Sensors，2023，23（11）：5249.

［20］Zhang X W，Zhao Z X，Ran L Y，et al. FastICENet： a real-time and accurate semantic segmentation model for aerial remote sensing river ice image［J］. Signal Processing，2023，212：109150.

［21］Zhao Y，Sun C，Xu X，et al. RIC-Net： a plant disease classification model based on the fusion of inception and residual structure and embedded attention mechanism［J］. Computers and Electronics in Agriculture，2022，193：106644.

［22］Wang Y C，Li J D，Chen Z M，et al. Ships’ small target detection based on the CBAM-YOLOX algorithm［J］. Journal of Marine Science and Engineering，2022，10（12）：2013.

［23］張會敏，謝澤奇. 基于多尺度注意力卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害識別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（16）：154-161.

［24］Howard A G，Zhu M，Chen B，et al. MobileNets： efficient convolutional neural networks for mobile vision applications［J］. arXiv，2017，1704.04861v1.

［25］He K，Zhang X，Ren S，et al. Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA，2016： 770-778.

［26］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE，2018：7132-7141.