基于ActNN-YOLO v5s-RepFPN的番茄病害識(shí)別及系統(tǒng)設(shè)計(jì)

doi：10.15889/j.issn.1002-1302.2024.20.026

摘要：作物病害的早期檢測(cè)可以提高農(nóng)作物的質(zhì)量和生產(chǎn)力，為解決番茄病害識(shí)別模型在真實(shí)復(fù)雜場(chǎng)景中的泛化能力弱，易受作物品種、顏色特征、葉斑形狀、疾病周期和環(huán)境因素干擾，對(duì)存儲(chǔ)和計(jì)算資源依賴性強(qiáng)的問題，提出1個(gè)輕量化改進(jìn)模型ActNN-YOLO v5s-RepFPN來研究多個(gè)區(qū)域場(chǎng)景中的番茄疾病，使用Mosaic數(shù)據(jù)增強(qiáng)方法來擴(kuò)展數(shù)據(jù)，結(jié)合使用模型參數(shù)壓縮技術(shù)ActNN來替換YOLO v5s網(wǎng)絡(luò)中的組件模塊，保留重要激活參數(shù)的同時(shí)不影響精確度，然后在YOLO v5s頸部網(wǎng)絡(luò)內(nèi)構(gòu)建RepFPN特征金字塔，增加特征信息流通，實(shí)現(xiàn)計(jì)算和內(nèi)存平衡的硬件神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)。結(jié)果表明，改進(jìn)的ActNN-YOLO v5s-RepFPN模型在番茄病害檢測(cè)精度上達(dá)到了93.6%，檢測(cè)速率為 29.0幀/s，滿足實(shí)時(shí)監(jiān)測(cè)的要求，模型整體性能高于YOLO v5s、YOLO v4、Faster R-CNN等模型，在訓(xùn)練1 000輪后精確率、召回率、mAP分別較YOLO v5s原模型高10.0、9.8、4.9百分點(diǎn)。最后，設(shè)計(jì)并實(shí)現(xiàn)了基于YOLO v5s模型的智能化番茄病害檢測(cè)系統(tǒng)，為病害智能檢測(cè)系統(tǒng)提供了可視工具。

關(guān)鍵詞：病害檢測(cè)；ActNN；YOLO v5s；RepFPN；

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

文章編號(hào)：1002-1302（2024）20-0220-08

收稿日期：2023-11-03

基金項(xiàng)目：云南省重大科技專項(xiàng)（編號(hào)：202302AE090020、202002AE090010）；云南省基礎(chǔ)研究計(jì)劃（編號(hào)：202101AU070096）。

作者簡(jiǎn)介：高" 泉（1977—），男，云南華坪人，碩士，副教授，研究方向?yàn)橹腔坜r(nóng)業(yè)。E-mail：312441310@qq.com。

通信作者：葉" 榮，博士，講師，研究方向?yàn)槭称钒踩畔⒒c數(shù)字農(nóng)業(yè)。E-mail：307176152@qq.com。

番茄是全球蔬菜貿(mào)易中的重要組成部分之一，具有重要地位。它不僅是日常蔬菜，還被視為新型水果和科研模式作物，擁有多重功能，因此，番茄越來越受到人們的喜愛［1-2］。隨著對(duì)番茄需求的增加，全球的番茄生產(chǎn)總量和種植規(guī)模也在不斷擴(kuò)大。截至2020年底，我國已成為全球最大的番茄生產(chǎn)國家之一，年產(chǎn)量約為0.7億t。在我國大規(guī)模種植番茄的省份中，云南省的對(duì)外銷售量位居榜首，約占我國的37%［3-4］。

目前番茄在全球范圍內(nèi)廣泛種植，但在生長(zhǎng)過程中會(huì)遭受各種病蟲害的侵害。番茄葉片上的病害同樣對(duì)番茄產(chǎn)量構(gòu)成威脅，若不及時(shí)防治，可能導(dǎo)致減產(chǎn)或無法收獲。以前人們主要根據(jù)經(jīng)驗(yàn)來判斷番茄病害類型，但這種方法的判斷能力有限且耗時(shí)耗力。圖像處理技術(shù)已經(jīng)在各個(gè)領(lǐng)域得到廣泛應(yīng)用，包括農(nóng)業(yè)。然而，傳統(tǒng)的圖像識(shí)別方法已無法應(yīng)對(duì)復(fù)雜的實(shí)際情況，隨著計(jì)算機(jī)硬件性能的提升，將深度學(xué)習(xí)應(yīng)用于農(nóng)業(yè)生產(chǎn)已成為未來農(nóng)業(yè)發(fā)展的趨勢(shì)。深度學(xué)習(xí)通過引入卷積層、池化層、全連接層等操作，能夠自動(dòng)提取圖像特征，以實(shí)現(xiàn)對(duì)植物葉片病害的準(zhǔn)確識(shí)別［5-10］。快速、準(zhǔn)確地識(shí)別番茄葉片病害并采取相應(yīng)的防治措施對(duì)于保障作物生產(chǎn)和提高農(nóng)民收入至關(guān)重要。

1" 試驗(yàn)方法

1.1" YOLO v5s模型

目標(biāo)檢測(cè)算法可以分為one-stage和two-stage 2種類型。隨著one-stage檢測(cè)算法的發(fā)展，YOLO系列模型由于具有良好的檢測(cè)速度和準(zhǔn)確率逐漸應(yīng)用于目標(biāo)檢測(cè)。YOLO v5能夠在1次運(yùn)算中完成目標(biāo)檢測(cè)。而two-stage算法則是基于候選區(qū)域的目標(biāo)檢測(cè)，需要根據(jù)滑動(dòng)窗口獲取的圖像部分進(jìn)行特征提取，并使用分類器來識(shí)別圖像。YOLO v5s 是YOLO v5目標(biāo)檢測(cè)系列中的一個(gè)輕量模型，它在速度、準(zhǔn)確性和輕量化方面取得了平衡，適用于各種實(shí)時(shí)目標(biāo)檢測(cè)場(chǎng)景，并能夠更好地滿足本研發(fā)系統(tǒng)的需求［11-13］。網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入端、Backbone層、Neck網(wǎng)絡(luò)和輸出端Head部分（圖1），圖1中的（a）～（d）展示了與網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)模塊的組成。

Backbone層的Conv模塊是基本的卷積單元，依次對(duì)輸入執(zhí)行2D卷積、2D正則化和SiLU激活操作，C3模塊作為特征提取的主要結(jié)構(gòu)，由3個(gè)卷積和1個(gè)瓶頸組成，可以通過解決大規(guī)模重復(fù)梯度信息的問題，整合特征圖中的梯度變化，減小模型尺寸，降低模型每秒浮點(diǎn)運(yùn)算數(shù)（FLOPs）和參數(shù)，保證推理的準(zhǔn)確性和速度。連接不同維度的特征圖的Concat模塊被用于合并特征映射，這樣可以讓網(wǎng)絡(luò)獲得更多的信息，增強(qiáng)網(wǎng)絡(luò)對(duì)目標(biāo)的感知能力，上采樣模型用于對(duì)特征映射進(jìn)行采樣，通過上采樣，可以將低分辨率的特征映射變?yōu)楦叻直媛实奶卣饔成?，從而提高目?biāo)檢測(cè)的精度?？臻g金字塔池（SPP）模塊位于YOLO v5s網(wǎng)絡(luò)的第10層，可將任意大小的特征映射轉(zhuǎn)換為固定大小的特征向量，這樣可以增加網(wǎng)絡(luò)的感知場(chǎng)，從而檢測(cè)不同尺度的目標(biāo)。Neck層通過添加具有自底向上路徑增強(qiáng)特性的特征金字塔網(wǎng)絡(luò)（FPN）來傳播底層特征，并利用來自每個(gè)特征層的價(jià)值信息融合更高級(jí)別的特征。這樣可以提高目標(biāo)的定位精度，并增強(qiáng)網(wǎng)絡(luò)對(duì)目標(biāo)的理解能力；Head結(jié)構(gòu)的檢測(cè)網(wǎng)絡(luò)由3個(gè)檢測(cè)層組成。每個(gè)檢測(cè)層都有不同尺寸的像素特征圖的輸入，用于檢測(cè)不同大小的目標(biāo)。檢測(cè)層將生成原始圖像中預(yù)測(cè)的邊界框和目標(biāo)類別，從而實(shí)現(xiàn)目標(biāo)的檢測(cè)。

1.2" 模型參數(shù)壓縮ActNN

在模型訓(xùn)練期間，存儲(chǔ)模型參數(shù)、中間激活結(jié)果和優(yōu)化器狀態(tài)會(huì)導(dǎo)致模型所需內(nèi)存呈指數(shù)級(jí)增長(zhǎng)，因此在內(nèi)存有限的GPU上訓(xùn)練大規(guī)模模型變得困難。本研究旨在設(shè)計(jì)解決番茄病害識(shí)別系統(tǒng)問題，為此采用了ActNN策略，該策略可以在不影響預(yù)測(cè)精度的情況下快速壓縮模型參數(shù)，結(jié)合 YOLO v5s 網(wǎng)絡(luò)模型結(jié)構(gòu)，本研究實(shí)現(xiàn)了作物病害分類、檢測(cè)和分割應(yīng)用［14-17］。

在YOLO v5s網(wǎng)絡(luò)中通過使用ActNN來聚焦激活參數(shù)上下文壓縮數(shù)值精度，實(shí)現(xiàn)動(dòng)態(tài)隨機(jī)量化激活神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中，訓(xùn)練權(quán)重、激活參數(shù)和優(yōu)化器被量化后可以降低數(shù)值精度，而模型中的梯度方差容易跟隨量化影響而改變，使用ActNN中組量化和細(xì)粒度量化的混合精度量化策略，在最大2位量化的情況下，該策略可以近似訓(xùn)練過程中梯度方差的最小化，模型壓縮參數(shù)公式如下：

H（l）=F（l）［H（l-1）;Θ（l）］；（1）

H（l-1），Θ（l）=G（l）{H（l），C［H（l-1），Θ（l） ］}；（2）

H（（l-1）=H（（l） Θ（l）T ，Θ（l）=H（l-1）TH（l）

C［H（（l-1），Θ（l）］=［H（l-1），Θ（l）］。（3）

式中：假設(shè)神經(jīng)網(wǎng)絡(luò)為l層，輸入圖像X，對(duì)應(yīng)標(biāo)簽Y，抽取小批量樣本（X，Y），輸入H（0）=X，H（l）為 N×D（l），其中N為批量大小，D（l）為特征個(gè)數(shù)，Θ（l）為參數(shù)向量，前向傳播F（l）包含模型參數(shù)Θ（l）的N個(gè)特征映射H（l-1）。給定用于預(yù)測(cè)H（l）和標(biāo)簽Y的小批量損失函數(shù)Ｌ=l（H（l），Y），將梯度計(jì)算為Θ（l）L。H（l-1）T為特征映射的轉(zhuǎn)置，并使用優(yōu)化器SGD更新模型參數(shù)。由于梯度變化總是與損失函數(shù)Ｌ一樣，激活參數(shù)梯度記為Θ（l）、H（l） 。梯度計(jì)算過程為式（2），其中反向傳播G（l）得到H（l），對(duì)于上文特征中的C需要保存在模型內(nèi)存中，用于反向傳播。方程（3）作為特殊情況，當(dāng)H（l）=H（l-1）Θ（l）中的線性層時(shí)，將保留住上文中的量化參數(shù)，為實(shí)現(xiàn)2位激活壓縮，對(duì)l層神經(jīng)網(wǎng)絡(luò)的C、Θ（l）和H（l-1）采用隨機(jī)量化策略進(jìn)行量化，得到原始梯度的無偏估計(jì)，如式（4）所示：

%＾H（l-1），＾Θ（l）=G（l）{＾H（l），C＾［H（l-1），Θ（l）］}，＾H（l）=H（l）。（4）

ActNN通過動(dòng)態(tài)調(diào)整混合精度量化策略，在運(yùn)行時(shí)針對(duì)不同網(wǎng)絡(luò)層的異構(gòu)特性和硬件特性進(jìn)行優(yōu)化，這種優(yōu)化策略能夠減少無關(guān)緊要的激活參數(shù)，并保留重要激活參數(shù)以保持模型的準(zhǔn)確性。

由圖2可知，ActNN為L(zhǎng)1到L5定義了可選的壓縮參數(shù)，其中L1和L2可以使用4位每組量化，但L1可以使用32位量化，并且只處理卷積層；L3到L5使用細(xì)粒度混合精度量化策略后作用于所有卷積層上的激活參數(shù)，在整個(gè)過程中，ActNN只負(fù)責(zé)根據(jù)原始模型的大小比例來處理訓(xùn)練過程中的激活參數(shù)。

L1L2L3L4L5。（5）

此外，公式（5）中，從L1到L5中，壓縮算法是進(jìn)行每級(jí)疊加的，增加壓縮級(jí)別會(huì)增加反向傳播過程中解壓激活參數(shù)所需的時(shí)間。即使在硬件條件保持不變的情況下，訓(xùn)練速度也會(huì)降低。在調(diào)整參數(shù)和數(shù)據(jù)方面，增加批處理大小和使用高分辨率圖像都會(huì)增加壓縮激活（CA）參數(shù)和解壓激活（DCA）參數(shù)所需的時(shí)間，導(dǎo)致模型收斂速度減慢。

1.3" RepConv網(wǎng)絡(luò)構(gòu)建

FPN被稱特征金字塔網(wǎng)絡(luò)，被廣泛應(yīng)用于目標(biāo)檢測(cè)等任務(wù)中［18］。FPN通過自下而上的方式構(gòu)建頸部網(wǎng)絡(luò)中的特征金字塔，即從底層特征圖中提取高分辨率的特征，并通過逐層上采樣、融合等操作得到分辨率較低但信息更豐富的特征圖。在本研究中，使用FPN構(gòu)建RepFPN對(duì)YOLO v5s頸部網(wǎng)絡(luò)進(jìn)行改進(jìn)，RepFPN則通過自上而下的方式構(gòu)建特征金字塔，即從頂層特征圖開始進(jìn)行下采樣、融合，逐層向下傳遞得到高分辨率的特征圖，最后應(yīng)用于YOLO v5s檢測(cè)框架中。

RepConv網(wǎng)絡(luò)層結(jié)構(gòu)由3×3 Conv分支、1×1分支和身份組成，可以充分利用硬件計(jì)算能力。通過重新參數(shù)化，將多分支結(jié)構(gòu)轉(zhuǎn)換為訓(xùn)練狀態(tài)下的單分支3×3 Conv，如圖3所示。

RepFPN網(wǎng)絡(luò)是由RepPAN 和 BepC3（block with exponential padding）模塊組合而成的網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)結(jié)構(gòu)見圖4、圖5，其中，C表示卷積層，P表示池化層。

在圖5中描述了RepBlock的結(jié)構(gòu)，該結(jié)構(gòu)在頸部網(wǎng)絡(luò)處結(jié)合了多尺度特征提取和循環(huán)神經(jīng)網(wǎng)絡(luò)，以提高目標(biāo)檢測(cè)的性能。

1.4" 損失函數(shù)

在目標(biāo)檢測(cè)和實(shí)例分割中，邊界框回歸（bounding box regression，BBR）是一個(gè)關(guān)鍵的步驟，用于定位目標(biāo)的位置。傳統(tǒng)的邊界框回歸損失函數(shù)通常假設(shè)預(yù)測(cè)框與實(shí)際標(biāo)注框具有相同的寬高比［19-23］。然而，在寬度和高度值完全不同的情況下，這些損失函數(shù)無法進(jìn)行優(yōu)化。在本研究中，考慮了預(yù)測(cè)框與真實(shí)框之間的位置關(guān)系以及框體的尺度關(guān)系，相比IoU損失函數(shù)，GIoU損失函數(shù)通過考慮目標(biāo)的非重疊區(qū)域來解決這個(gè)問題，彌補(bǔ)了IoU邊界損失函數(shù)無法量化真實(shí)框與預(yù)測(cè)框不相交的缺點(diǎn)。GIoU計(jì)算公式如下：

GIoU=1-IoU+|S-A∪B||S|。（6）

GIoU針對(duì)這方面進(jìn)行優(yōu)化，在公式中增加了預(yù)測(cè)框A和真實(shí)框B的最小凸閉合框面積S（最小外接矩形面積），使得在A與B不相交的時(shí)候損失仍能下降。

2" 試驗(yàn)過程

2.1" 數(shù)據(jù)集準(zhǔn)備

番茄葉片病害圖片取自云南農(nóng)業(yè)大學(xué)后山試驗(yàn)基地，試驗(yàn)時(shí)間為2022年4—8月。拍攝方式為人工拍攝，考慮到場(chǎng)景變化多端、目標(biāo)尺度參差不齊等情況，選擇了Mosaic數(shù)據(jù)增強(qiáng)方法來擴(kuò)展原始數(shù)據(jù)集樣本，增加模型泛化能力。人工拍攝了300張圖像，并經(jīng)過篩選后將數(shù)據(jù)集擴(kuò)充為1 500張，Mosaic拼接方法見圖6。

進(jìn)行訓(xùn)練時(shí)將其按表1所示進(jìn)行劃分。然后通過標(biāo)簽處理成為YOLO v5s模型需要數(shù)據(jù)的格式，在images文件夾中存放圖像，在label文件夾中存放相對(duì)應(yīng)的txt文件。

2.2" 試驗(yàn)環(huán)境與參數(shù)設(shè)置

本次試驗(yàn)環(huán)境配置見表2。

本次試驗(yàn)訓(xùn)練模型參數(shù)見表3。

2.3" 評(píng)估指標(biāo)

本研究采用采用精確率（P）、召回率（R）、平均精度均值（mAP）等3個(gè)指標(biāo)對(duì)番茄病害檢測(cè)模型進(jìn)行評(píng)價(jià)。

2.3.1" 精確率

對(duì)于目標(biāo)檢測(cè)任務(wù)精確率就是在所有預(yù)測(cè)為正樣本的結(jié)果中，預(yù)測(cè)正確的比例。其公式為

P=TPTP+FP。（6）

式中：TP表示預(yù)測(cè)出的正確的框；FP表示預(yù)測(cè)出的錯(cuò)誤的框；FP+TP就是所有的預(yù)測(cè)框的個(gè)數(shù)。

2.3.2" 召回率

召回率是在所有預(yù)測(cè)為正樣本的結(jié)果中，真的是正樣本的概率。它與精確率呈負(fù)相關(guān)。當(dāng)1個(gè)類的精確率提高，那么這個(gè)類的召回率就會(huì)下降。其公式為

R=TPTP+FN。（7）

式中：FN表示沒有被模型識(shí)別為正樣本的目標(biāo)數(shù)量。

2.3.3" 平均精度均值

AP是衡量一個(gè)類別檢測(cè)效果好壞的參數(shù)，根據(jù)不同的置信度和IoU閾值，對(duì)應(yīng)有不同的精確率和召回率，通過計(jì)算精確率和召回率構(gòu)成的二維曲線圖的面積即為AP值。而通過不同類別的AP值求取平均精度均值。AP和mAP計(jì)算公式為

AP=∫10P（R）dR；（8）

mAP=∑APN。（9）

根據(jù)設(shè)定好的試驗(yàn)參數(shù)，分別使用ActNN-YOLO v5s-RepFPN模型與YOLO v5s、YOLO v4、Faster R-CNN模型在數(shù)據(jù)集進(jìn)行訓(xùn)練，并在驗(yàn)證集進(jìn)行測(cè)試，4個(gè)模型的邊界回歸損失和目標(biāo)置信度變化結(jié)果見圖7。改進(jìn)后的ActNN-YOLO v5s-RepFPN模型與其他3個(gè)模型相比，邊界框回歸損失與目標(biāo)置信度損失都更小，模型收斂速度更快。在經(jīng)過大約800輪訓(xùn)練后，ActNN-YOLO v5s-RepFPN模型的邊界框回歸損失和目標(biāo)置信度損失都趨于平緩，分別達(dá)到了0.024 1和0.029 8。

4個(gè)模型在驗(yàn)證集上的精確率、召回率、IoU為0.5的平均精度均值的變化曲線見圖8。在大約120輪訓(xùn)練后，精確率和召回率出現(xiàn)了驟降，這是因?yàn)橛?xùn)練不充分導(dǎo)致特征之間的聯(lián)系被破壞，特征聚合不足以彌補(bǔ)。此外，ActNN-YOLO v5s-RepFPN模型在經(jīng)過400輪訓(xùn)練后逐漸趨于平緩，精確率和召回率隨著訓(xùn)練輪次的增加而抖動(dòng)上升，表明網(wǎng)絡(luò)模型的訓(xùn)練效果較好。表4中顯示了各模型的性能指標(biāo)，可以看出ActNN-YOLO v5s-RepFPN模型整體性能優(yōu)于YOLO v5s和YOLO v4等模型。在經(jīng)過1 000輪訓(xùn)練后，精確率達(dá)到了93.6%，召回率達(dá)到了90.8%，平均精度均值達(dá)到了93.2%，這些數(shù)據(jù)比YOLO v5s原始模型分別高出了10.0、9.8、4.9百分點(diǎn)。病害識(shí)別示例見圖9。

3" 番茄葉片病害識(shí)別系統(tǒng)設(shè)計(jì)

3.1" 應(yīng)用開發(fā)環(huán)境

保存模型有2種方法。第1種方法是保存整個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)信息，加載模型時(shí)直接讀取模型并設(shè)置參數(shù)即可。第2種方法是只保存參數(shù)，讀取模型參數(shù)前需要先定義1個(gè)與原模型相同的結(jié)構(gòu)，然后將參數(shù)導(dǎo)入到該模型中。

訓(xùn)練好的模型保存后不能直接在TesnorFlow Lite運(yùn)行，因此，需要先利用TesnorFlow Lite將模型轉(zhuǎn)換為.tflit格式的文件。TensorFlow Lite架構(gòu)設(shè)計(jì)見圖10，是TensorFlow 針對(duì)移動(dòng)和嵌入式設(shè)備的輕量級(jí)解決方案。以在移動(dòng)設(shè)備上運(yùn)行機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)分類等功能，無需與服務(wù)器交互。

3.2" 系統(tǒng)功能測(cè)試

整個(gè)系統(tǒng)測(cè)試流程見圖11。

4" 結(jié)論

本研究算法在YOLO v5s 算法的基礎(chǔ)上通過采集實(shí)際實(shí)驗(yàn)室番茄病害圖片， 采用Mosaic數(shù)據(jù)增強(qiáng)

解決病害數(shù)據(jù)集不足的問題，測(cè)試了番茄在自然場(chǎng)景下病害識(shí)別能力。通過使用ActNN替換 YOLO v5 的相應(yīng)模塊，實(shí)現(xiàn)了激活參數(shù)的細(xì)粒度壓縮，可以在不影響預(yù)測(cè)精度的情況下快速壓縮模型參數(shù)，從數(shù)據(jù)樣本和模型推廣2個(gè)方面來考慮，ActNN在病害檢測(cè)應(yīng)用上具有明顯優(yōu)勢(shì)。

提出基于改進(jìn)YOLO v5s的番茄病害檢測(cè)模型ActNN-YOLO v5s-RepFPN，構(gòu)建EfficientRep主干網(wǎng)絡(luò)來提取病害特征，并使用EfficientRep替換 YOLO v5s 頸部結(jié)構(gòu)中的傳統(tǒng)卷積，在不失檢測(cè)精度的同時(shí)平衡計(jì)算機(jī)硬件能力。

ActNN-YOLO v5s-RepFPN模型需要具備一定的適應(yīng)性，能夠在不同光照條件下實(shí)現(xiàn)穩(wěn)定的檢測(cè)結(jié)果。在后續(xù)研究中通過增加訓(xùn)練數(shù)據(jù)、模型結(jié)構(gòu)優(yōu)化和參數(shù)處理來進(jìn)一步輕量化，逐步提升模型在移動(dòng)嵌入式平臺(tái)的運(yùn)行速度。

參考文獻(xiàn)：

［1］米國全，唐艷領(lǐng)，牛莉莉，等. 危害我國番茄的重要病毒病及防控措施［J］. 中國瓜菜，2021，34（10）：8-14.

［2］張瑞花，蘭超杰，劉" 雯，等. 生物炭對(duì)反季節(jié)露地櫻桃番茄生長(zhǎng)及產(chǎn)量品質(zhì)的影響［J］. 分子植物育種，2019，17（14）：4831-4839.

［3］郭小清，范濤杰，舒" 欣. 基于改進(jìn)Multi-Scale AlexNet的番茄葉部病害圖像識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（13）：162-169.

［4］李君明，項(xiàng)朝陽，王孝宣，等. “十三五” 我國番茄產(chǎn)業(yè)現(xiàn)狀及展望［J］. 中國蔬菜，2021（2）：13-20.

［5］牛學(xué)德，高丙朋，南新元，等. 基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測(cè)［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（1）：129-134.

［6］胡志偉，楊" 華，黃濟(jì)民，等. 基于注意力殘差機(jī)制的細(xì)粒度番茄病害識(shí)別［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，40（6）：124-132.

［7］Amara J，Bouaziz B，Algergawy A.A deep learning based approach for banana leaf diseases classification［M］//Mitschang B.Lecture notes in informatics（LNI）.Bonn：Gesellschaft Für Informatik，2017：79-88.

［8］Vaswani A，Shazeer N，Parmar N，et al. Attention is all you need［C］//31st Conference on Neural Information Processing Systems（NIPS）. Long Beach，2017：5998-6008.

［9］Brahimi M，Boukhalfa K，Moussaoui A.Deep learning for tomato diseases：classification and symptoms visualization［J］. Applied Artificial Intelligence，2017，31（4）：299-315.

［10］劉擁民，劉翰林，石婷婷，等. 一種優(yōu)化的Swin Transformer番茄葉片病害識(shí)別方法［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，28（4）：80-90.

［11］左昊軒，黃祺成，楊佳昊，等. 基于改進(jìn)YOLO v5s的番茄黃化曲葉病檢測(cè)方法［J/OL］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023：1-11（2023-09-15）［2023-10-02］. http：//kns.cnki.net/kcms/detail/11.1964.S.20230914.1408.025.html.

［12］王" 瑜，畢" 玉，石健彤，等. 基于注意力與多級(jí)特征融合的YOLO v5算法［J］. 鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2024，45（3）：38-45，95.

［13］范天浩，顧寄南，王文波，等. 基于改進(jìn)YOLO v5s的輕量化金銀花識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（11）：192-200.

［14］Dai G W，Hu L，F(xiàn)an J C. DA-ActNN-YOLO v5：hybrid YOLO v5 model with data augmentation and activation of compression mechanism for potato disease identification［J］. Computational Intelligence and Neuroscience，2022，2022：6114061.

［15］Chakrabarti A，Moseley B.Backprop with approximate activations for memory-efficient network training［EB/OL］. （2019-10-28）［2023-10-02］. http：//arxiv.org/pdf/1901.07988 .

［16］Fu F C，Hu Y Z，He Y H，et al. Dont waste your bits！ Squeeze activations and gradients for deep neural networks via Tinyscript［EB/OL］. ［2023-10-02］. http：//proceedings.mlr.press/v119/fu20c/fu20c.pdf.

［17］周紹發(fā)，肖小玲，劉忠意，等. 改進(jìn)的基于YOLO v5s蘋果樹葉病害檢測(cè)［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（13）：212-220.

［18］Lin T Y，Dollár P，Girshick R，et al. Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu：IEEE，2017：936-944.

［19］王" 兵，李文璟，唐" 歡. 改進(jìn)YOLO v3算法及其在安全帽檢測(cè)中的應(yīng)用［J］. 計(jì)算機(jī)工程與應(yīng)用，2020，56（9）：33-40.

［20］熊恩杰，張榮芬，劉宇紅，等. 面向交通標(biāo)志的Ghost-YOLO v8檢測(cè)算法［J］. 計(jì)算機(jī)工程與應(yīng)用，2023，59（20）：200-207.

［21］晏" 朋，李遇鑫，李治林，等. 基于改進(jìn)YOLO v7的高鐵異物入侵檢測(cè)算法［J］. 無線電工程，2024，54（5）：1099-1109.

［22］郭明鎮(zhèn)，汪" 威，申紅婷，等. 改進(jìn)型YOLO v4-tiny的輕量級(jí)目標(biāo)檢測(cè)算法［J］. 計(jì)算機(jī)工程與應(yīng)用，2023，59（23）：145-153.

［23］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.