朱帥 王金聰 任洪娥 陶銳

摘 要：為分析果樹在種植過程中病害的程度和種類，本文提出一種基于改進(jìn)深度殘差網(wǎng)絡(luò)的果樹葉片病害圖像識(shí)別方法。該網(wǎng)絡(luò)模型在傳統(tǒng)殘差神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過多尺寸的卷積核代替骨干網(wǎng)絡(luò)中的7×7卷積核，既增加了網(wǎng)絡(luò)的寬度，也增加了網(wǎng)絡(luò)對(duì)尺度的適應(yīng)性。帶泄露修正線性單元（Leaky ReLU）激活函數(shù)用于替換修正線性單元（Recitified Linear Unit， ReLU）激活函數(shù)，該函數(shù)以ReLU函數(shù)為基礎(chǔ)，在函數(shù)的負(fù)半軸上引入一個(gè)非零斜率（Leaky），解決了ReLU函數(shù)引起的神經(jīng)元死亡現(xiàn)象。在平均池化層和全連接層之間加入Dropout（按照一定的概率將神經(jīng)網(wǎng)絡(luò)單元暫時(shí)從網(wǎng)絡(luò)中丟棄）操作，合理設(shè)置閾值，可以有效地防止卷積神經(jīng)網(wǎng)絡(luò)的過擬合。最后，引入SE注意力機(jī)制進(jìn)一步提高網(wǎng)絡(luò)模型的識(shí)別精度。在公共數(shù)據(jù)集Plant Village（植物村）的實(shí)驗(yàn)表明，改進(jìn)的深度殘差網(wǎng)絡(luò)模型能夠很好地識(shí)別果樹葉片病害，平均準(zhǔn)確率可達(dá)到99.4%。

關(guān)鍵詞：果樹葉片;病害識(shí)別;深度殘差網(wǎng)絡(luò);注意力機(jī)制;深度學(xué)習(xí)

中圖分類號(hào)：S783.7??? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：1006-8023（2022）01-0108-07

Fruit Tree Leaf Disease Recognition Based on Residual Network

and Multi Feature Fusion

ZHU Shuai1， WANG Jincong2，3， REN Hong’e1，3*， TAO Rui1，4

（1. College of Information and Computer Engineering， Northeast Forestry University， Harbin 150040， China;

2.College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China;

3.Heilongjiang Forestry Intelligent Equipment Engineering Research Center， Harbin 150040， China;

4.Hulunbuir University， Hulunbuir 021008， China）

Abstract：In order to analyze the extent and types of diseases in fruit trees during planting， this paper proposes an image recognition method of fruit tree leaf diseases based on improved deep residual network. Based on the traditional residual neural network， this network model replaces the 7×7 convolution kernel in the backbone network with a multi-size convolution kernel， which not only increases the width of the network， but also increases the adaptability of the network to scale. The Leaky ReLU activation function is used to replace the Recitified Linear Unit （ReLU） activation function. This function is based on the ReLU function and introduces a non-zero slope on the negative half axis of the function （Leaky）， solved the neuron death phenomenon caused by the ReLU function. Adding Dropout （temporarily discarding the neural network unit from the network according to a certain probability） operation between the average pooling layer and the fully connected layer， and setting the threshold reasonably can effectively prevent the over-fitting of the convolutional neural network. Finally， the SE attention mechanism is introduced to further improve the recognition accuracy of the network model. Experiments in the public data set Plant Village show that the improved deep residual network model can identify fruit tree leaf diseases well， with an average accuracy rate of 99.4%.

Keywords：Fruit tree leaves; disease recognition; deep residual network; attention mechanism; deep learning

0 引言

果樹病害是造成現(xiàn)代農(nóng)林業(yè)減產(chǎn)的主要原因，嚴(yán)重的病害會(huì)給果樹種植者帶來巨大的經(jīng)濟(jì)損失。在果樹的種植過程中，病害問題是不可避免的，病害的程度和種類在不斷增加，嚴(yán)重制約了果實(shí)的質(zhì)量和產(chǎn)量[1-2]。我國果樹的種植相對(duì)分散，相關(guān)從業(yè)人員知識(shí)水平參差不齊，極大制約著果樹病害的防治[3-4]。因此，能夠有效識(shí)別果樹葉片病害的類別，及時(shí)進(jìn)行相應(yīng)的病害處理具有重要意義。

傳統(tǒng)的果樹病害鑒定是由經(jīng)驗(yàn)豐富的專家進(jìn)行診斷的，這種方法效率低，工作難度大，不能對(duì)疾病進(jìn)行科學(xué)準(zhǔn)確的實(shí)時(shí)診斷，而機(jī)器視覺技術(shù)可以實(shí)現(xiàn)對(duì)疾病的快速準(zhǔn)確診斷[5-7]。卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）作為深度學(xué)習(xí)的重要組成部分，它憑借特征提取的巨大優(yōu)勢(shì)受到廣泛關(guān)注[8-10]。

朱良寬等[11]提出一種融合了深度卷積生成式對(duì)抗網(wǎng)絡(luò)（DCGAN）和遷移學(xué)習(xí)（TL）的新型卷積神經(jīng)網(wǎng)絡(luò)葉片識(shí)別方法，該方法可以獲得96.57%的植物葉片識(shí)別精度;孫穎異等[12]構(gòu)建了一種基于殘差連接的AlexNet卷積神經(jīng)網(wǎng)絡(luò)，對(duì)卷積層的輸入數(shù)據(jù)進(jìn)行批歸一化，并且利用2種不同的全局池化算法，實(shí)驗(yàn)驗(yàn)證殘差連接的AlexNet卷積神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行高效識(shí)別;孫俊等[13]采用批歸一化和全局均值池化對(duì)AlexNet模型進(jìn)行改進(jìn)，并將改進(jìn)后的模型在Plant village（植物村）數(shù)據(jù)集上訓(xùn)練，準(zhǔn)確率有所提升的同時(shí)減少了模型參數(shù);劉陽等[14]從網(wǎng)絡(luò)規(guī)模小型化和計(jì)算過程輕量化需求的角度出發(fā)，對(duì)經(jīng)典輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)（SqueezeNet）提出改進(jìn)措施，并運(yùn)用遷移學(xué)習(xí)和隨機(jī)梯度下降算法進(jìn)行訓(xùn)練，平均準(zhǔn)確率達(dá)到98.13%; Tuncer[15]提出了一種基于Inception架構(gòu)和深度可分離卷積的新混合CNN方法，模型可達(dá)99%的平均準(zhǔn)確率;黃建平等[16]提出一種基于神經(jīng)結(jié)構(gòu)搜索的植物葉片圖像病害識(shí)別方法，訓(xùn)練樣本數(shù)據(jù)，模型識(shí)別準(zhǔn)確率達(dá)到99.01%。

基于以上分析，本文提出一種基于改進(jìn)殘差網(wǎng)絡(luò)模型的果樹葉片病害識(shí)別方法。

1 研究技術(shù)與模型架構(gòu)

1.1 傳統(tǒng)殘差網(wǎng)絡(luò)

隨著網(wǎng)絡(luò)結(jié)構(gòu)的增加，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)會(huì)導(dǎo)致梯度的消失或退化，并且由于果樹葉片病害數(shù)據(jù)集樣本數(shù)的限制，在網(wǎng)絡(luò)的訓(xùn)練過程中容易產(chǎn)生過擬合現(xiàn)象。在殘差神經(jīng)網(wǎng)絡(luò)中，通過引入殘差塊結(jié)構(gòu)可以更容易地優(yōu)化網(wǎng)絡(luò)模型，并且由于殘差塊中的映射操作相同，使得網(wǎng)絡(luò)模型可以在不發(fā)生梯度消失和過擬合的情況下加深網(wǎng)絡(luò)深度[17-19]。殘差網(wǎng)絡(luò)的標(biāo)準(zhǔn)框架如圖1所示。

1.2 改進(jìn)卷積核

在識(shí)別葉片病害圖像時(shí)，由于采集的公共數(shù)據(jù)集背景單一，葉片病害圖像較為突出居中，而識(shí)別病害的關(guān)鍵點(diǎn)在于葉片中的病斑部分，在訓(xùn)練過程中由于傳統(tǒng)殘差網(wǎng)絡(luò)圖像輸入時(shí)，初始卷積核尺寸和步長(zhǎng)過大，卷積網(wǎng)絡(luò)會(huì)丟失部分病害細(xì)節(jié)信息。為了盡量減少訓(xùn)練中的損失信息，適應(yīng)多種果樹葉片和病斑的大小，保留更多的疾病細(xì)節(jié)，需要重新設(shè)計(jì)步長(zhǎng)和卷積核大小，用多種不同尺度的卷積核代替骨干網(wǎng)中的7×7卷積核，以捕捉更多的空間語義，增加了網(wǎng)絡(luò)對(duì)尺度的適應(yīng)性。同時(shí)，多個(gè)卷積核使用多個(gè)激活函數(shù)，提高了網(wǎng)絡(luò)的非線性表達(dá)能力。因此，利用1×1、3×3、5×5的卷積通過deep concat（深度鏈接）合成特征，獲得非線性屬性，替換ResNet（Residual Neural Network）中的7×7卷積核，改進(jìn)卷積核結(jié)構(gòu)如圖2所示。

1.3 優(yōu)化激活函數(shù)

與經(jīng)典的Sigmoid函數(shù)和Tanh函數(shù)相比，修正線性單元函數(shù)（Recitified Linear Unit， ReLU）解決了其致命缺陷：梯度彌散問題。函數(shù)在正無窮遠(yuǎn)處的梯度是一個(gè)常數(shù)，而不是像前2個(gè)函數(shù)一樣為0。此外，由于其簡(jiǎn)單的函數(shù)組成，ReLU比包含指數(shù)函數(shù)的Sigmoid和Tanh要快得多。但缺點(diǎn)很明顯：當(dāng)輸入信號(hào)為負(fù)時(shí)，函數(shù)不會(huì)啟動(dòng)，即其工作范圍僅為0到正無窮大，且ReLU函數(shù)（公式中用ReLU表示）的輸出不以0為中心，函數(shù)為公式（1）。

ReLU（x）=0，x≤0x，x>0 。 （1）

當(dāng)x>0時(shí)，ReLU函數(shù)的梯度始終為1，這樣梯度就不會(huì)衰減，從而緩解了梯度彌散的問題。然而，當(dāng)x<0時(shí)，輸入數(shù)據(jù)的特征點(diǎn)無法完全獲得，影響了輸出數(shù)據(jù)的準(zhǔn)確性。

Leaky ReLU激活函數(shù)是ReLU函數(shù)的一個(gè)變體。在ReLU函數(shù)的基礎(chǔ)上，在函數(shù)的負(fù)半軸上引入Leaky（一個(gè)非零斜率），解決了ReLU函數(shù)（公式中用ReLUleaky表示）引起的神經(jīng)元死亡現(xiàn)象。函數(shù)為公式（2）。

ReLUleaky（x）=ax，x≤0x，x>0。? （2）

式中：a為超參數(shù)值，且a>0。

該函數(shù)在x>0區(qū)域的圖像和ReLU函數(shù)相似，從而保留了ReLU函數(shù)緩解梯度消失的優(yōu)點(diǎn)。在函數(shù)的負(fù)半軸區(qū)間內(nèi)，函數(shù)的輸出值會(huì)對(duì)輸入值產(chǎn)生一個(gè)很小的梯度值，因此函數(shù)的負(fù)半軸導(dǎo)數(shù)總是不為0，解決了ReLU函數(shù)神經(jīng)元死亡的現(xiàn)象。

1.4 添加Dropout層

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，經(jīng)常遇到過擬合問題。過擬合主要體現(xiàn)在以下幾個(gè)方面：模型在訓(xùn)練數(shù)據(jù)中的損失函數(shù)小，預(yù)測(cè)精度高;但在試驗(yàn)數(shù)據(jù)上，損失函數(shù)較大，預(yù)測(cè)精度較低。通過在平均池化層和全連接層之間加入Dropout操作，合理設(shè)置閾值，可以有效地防止卷積神經(jīng)網(wǎng)絡(luò)的過擬合。添加Dropout層結(jié)構(gòu)如圖3所示。

1.5 添加SE注意力模塊

引入注意機(jī)制進(jìn)一步提取鑒別特征，并在改進(jìn)的網(wǎng)絡(luò)中采用SE（Squeeze and Exclusion）算法，通過精確建模卷積特征各通道之間的交互關(guān)系，提高網(wǎng)絡(luò)模型的表達(dá)能力。網(wǎng)絡(luò)模型校正特征的機(jī)制使得網(wǎng)絡(luò)能夠基于全局信息選擇性地增強(qiáng)有價(jià)值的特征通道，抑制無用的特征通道。SE注意力模塊如圖4所示。

SE block的過程分為2個(gè)步驟：Squeeze（壓縮） 和 Excitation（激發(fā)）。

壓縮（Squeeze）：通過對(duì)特征映射層進(jìn)行全局平均池化，得到當(dāng)前特征映射的全局壓縮特征量。激發(fā)（Excitation）：通過兩層全連接的瓶頸結(jié)構(gòu)獲得特征圖中每個(gè)通道的權(quán)重，并將加權(quán)后的特征圖作為下一層網(wǎng)絡(luò)的輸入。引入注意力機(jī)制模型結(jié)構(gòu)如圖5所示。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本次實(shí)驗(yàn)數(shù)據(jù)集來自公開的Plant Village數(shù)據(jù)庫，提取了蘋果、櫻桃、葡萄、桃子全部葉片病害圖像，其中，蘋果包括1個(gè)健康類別，3個(gè)病害類別;櫻桃包括1個(gè)健康類別，1個(gè)病害類別;葡萄包括1個(gè)健康類別，3個(gè)病害類別;桃子包括1個(gè)健康類別，1個(gè)病害類別。圖像共計(jì)11 796幅。原始圖片像素大小為256×256，為了滿足卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像尺寸的要求，在進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)模型試驗(yàn)時(shí)，將葉片病害圖片像素尺寸縮放到224×224，各類別隨機(jī)選取90%的葉片病害圖片作為訓(xùn)練集，其余10%的圖片作為測(cè)試集。每個(gè)病害類別包含的圖片類型如圖6所示。果樹葉片病害圖片各類別數(shù)目見表1。

2.2 實(shí)驗(yàn)參數(shù)與評(píng)價(jià)標(biāo)準(zhǔn)

在模型訓(xùn)練過程中，采用SGD網(wǎng)絡(luò)訓(xùn)練優(yōu)化器，初始學(xué)習(xí)率為0.001，權(quán)重衰減為0.005，學(xué)習(xí)率下降策略采用階梯式下降，訓(xùn)練周期是100次，在梯度下降過程中，每批次訓(xùn)練的圖片樣本個(gè)數(shù)為16，Dropout系數(shù)設(shè)置為0.5。實(shí)驗(yàn)中以準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）作為實(shí)驗(yàn)結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn)。平均準(zhǔn)確率定義為被測(cè)試集中正確分類的疾病圖像數(shù)量與疾病圖像總數(shù)的比值，準(zhǔn)確率越高，模型的性能在一定程度上越好。精確率是所有預(yù)測(cè)為該類的樣本里面，實(shí)際確實(shí)為該類的樣本所占的比例。召回率是所有實(shí)際為該類的樣本里面，預(yù)測(cè)為該類的樣本所占的比例。

2.3 消融實(shí)驗(yàn)

為了提高果樹葉片病害識(shí)別的性能，選擇Res Net101網(wǎng)絡(luò)結(jié)構(gòu)，利用更深層次的網(wǎng)絡(luò)結(jié)構(gòu)獲取更多的圖像信息。本文采用殘差網(wǎng)絡(luò)ResNet和改進(jìn)的ResNet對(duì)果樹葉片病害圖像進(jìn)行識(shí)別。圖7為在100個(gè)訓(xùn)練批次（epoch）后，各果樹病害葉片的準(zhǔn)確率。表2為各果樹的準(zhǔn)確率，表3為本文模型精確率和召回率。

從圖7和表2可以看出，傳統(tǒng)殘差網(wǎng)絡(luò)相比其他方法具有更深層的網(wǎng)絡(luò)結(jié)構(gòu)，能夠更多地訓(xùn)練果樹葉片病害圖片中的有效信息，從而獲得更高的準(zhǔn)確率，可達(dá)到98.2%～99.2%。

在傳統(tǒng)殘差網(wǎng)絡(luò)模型的基礎(chǔ)上，用多種不同尺度的卷積核代替骨干網(wǎng)中的7×7卷積核，同時(shí)，利用Leaky ReLU激活函數(shù)，解決ReLU函數(shù)引起的神經(jīng)元死亡現(xiàn)象，最后，在平均池化層和全連接層之間加入Dropout操作，防止卷積神經(jīng)網(wǎng)絡(luò)的過擬合，得到結(jié)構(gòu)改進(jìn)后的殘差網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明，結(jié)構(gòu)改進(jìn)后的殘差網(wǎng)絡(luò)，能夠捕捉更多的果樹葉片病害圖像信息，獲得更多的病害特征細(xì)節(jié)，有效防止網(wǎng)絡(luò)的過擬合化，準(zhǔn)確率達(dá)到98.6%～99.6%，比傳統(tǒng)殘差網(wǎng)絡(luò)準(zhǔn)確率高出0.1%～0.4%，從而證明改進(jìn)結(jié)構(gòu)后殘差網(wǎng)絡(luò)的有效性更好。

傳統(tǒng)殘差網(wǎng)絡(luò)單獨(dú)引入注意力機(jī)制后，準(zhǔn)確率為98.7%～99.5%，比傳統(tǒng)殘差網(wǎng)絡(luò)準(zhǔn)確率提升了0.3%～0.5%。

在改進(jìn)結(jié)構(gòu)的殘差網(wǎng)絡(luò)模型的基礎(chǔ)上，引入注意力機(jī)制，通過校正特征的能力使得網(wǎng)絡(luò)能夠基于全局信息選擇性地增強(qiáng)有價(jià)值的特征通道，抑制無用的特征通道，進(jìn)一步增強(qiáng)網(wǎng)絡(luò)模型的訓(xùn)練能力。引入注意力機(jī)制后結(jié)構(gòu)改進(jìn)的殘差網(wǎng)絡(luò)模型準(zhǔn)確率進(jìn)一步提高，達(dá)到99.0%～99.8%，比傳統(tǒng)殘差網(wǎng)絡(luò)準(zhǔn)確率高出0.6%～0.8%。同時(shí)驗(yàn)證了結(jié)構(gòu)改進(jìn)和引入注意力機(jī)制的消融性。

2.4 本文模型與現(xiàn)行方法對(duì)比

為驗(yàn)證本文模型的優(yōu)越性，將本實(shí)驗(yàn)?zāi)Ｐ蛿?shù)據(jù)與文獻(xiàn)[14]、文獻(xiàn)[15]、文獻(xiàn)[16]中的實(shí)驗(yàn)結(jié)果相對(duì)比，以上文獻(xiàn)中的實(shí)驗(yàn)數(shù)據(jù)圖來自Plant Village數(shù)據(jù)庫。表4為實(shí)驗(yàn)結(jié)果對(duì)比。

從表4可以得出，本文提出的ResNet+結(jié)構(gòu)改進(jìn)+注意力機(jī)制模型比文獻(xiàn)[14]、文獻(xiàn)[15]、文獻(xiàn)[16]中的卷積網(wǎng)絡(luò)模型平均準(zhǔn)確率提高了0.4%～1.3%。

本文在傳統(tǒng)的殘差網(wǎng)絡(luò)模型基礎(chǔ)上，進(jìn)行結(jié)構(gòu)的改進(jìn)，增強(qiáng)對(duì)不同果樹病害葉片的特征提取的豐富度，緩解網(wǎng)絡(luò)訓(xùn)練中出現(xiàn)的過擬合問題，通過引入注意力機(jī)制模塊，進(jìn)一步增強(qiáng)模型整體提取葉片病害部分的能力，證明了本文實(shí)驗(yàn)?zāi)Ｐ偷膬?yōu)越性。

3 結(jié)論與討論

本文針對(duì)果樹葉片病害識(shí)別問題，提出了一種基于改進(jìn)深度殘差神經(jīng)網(wǎng)絡(luò)的果樹葉片病害圖像識(shí)別方法，對(duì)傳統(tǒng)殘差網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。該模型在傳統(tǒng)殘差神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，將主干網(wǎng)絡(luò)中7×7的卷積核替換為小卷積核，可以獲得與較大的卷積核相同的感受野，并捕獲更多的空間語義，減少了網(wǎng)絡(luò)的參數(shù)。利用Leaky ReLU激活函數(shù)替換ReLU函數(shù)，該函數(shù)基于ReLU的基礎(chǔ)上在函數(shù)負(fù)半軸引入Leaky值用于解決ReLU函數(shù)引起的神經(jīng)元死亡現(xiàn)象。在平均池化層和全連接層之間添加Dropout操作，并且合理設(shè)置閾值能夠有效地防止卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)過擬合的情況。最后引入SE注意力機(jī)制，進(jìn)一步提高識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，本文提出的果樹葉片病害識(shí)別模型，平均準(zhǔn)確率達(dá)到99.4%，能夠更好地解決果樹葉片病害識(shí)別的問題。

【參 考 文 獻(xiàn)】

[1]滿中合.果樹病害發(fā)生特點(diǎn)及綜合防治策略探究[J].農(nóng)業(yè)開發(fā)與裝備，2021，27（5）：72-73.

MAN Z H. Study on occurrence characteristics and comprehensive control strategies of fruit tree diseases[J]. Agricultural Development & Equipments， 2021， 27（5）： 72-73.

[2]金瑛，葉颯，李洪磊.基于ResNet-50深度卷積網(wǎng)絡(luò)的果樹病害智能診斷模型研究[J].農(nóng)業(yè)圖書情報(bào)學(xué)報(bào)，2021，33（4）：58-67.

JIN Y， YE S， LI H L. The intelligent diagnosis model of fruit tree disease based on ResNet-50[J]. Journal of Library and Information Science in Agriculture， 2021， 33（4）： 58-67.

[3]SCHIEFER F， KATTENBORN T， FRICK A， et al. Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 170： 205-215.

[4]ISLAM M， DINH A， WAHID K， et al. Detection of potato diseases using image segmentation and multiclass support vector machine[C]//2017 IEEE 30th Canadian Conference on Electrical and Computer Engineering （CCECE）. April 30-May 3， 2017， Windsor， ON， Canada. IEEE， 2017： 1-4.

[5]YANG X，NI H M，LI J K，et al.Leaf recognition using BP-RBF hybrid neural network[J].Journal of Forestry Research，2021：1-11.

[6]HAN W， FENG R Y， WANG L Z， et al. Adaptive spatial-scale-aware deep convolutional neural network for high-resolution remote sensing imagery scene classification[C]//IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium. July 22-27， 2018， Valencia， Spain. IEEE， 2018： 4736-4739.

[7]ZHANG X X， GUO Y， ZHANG X. High-resolution remote sensing image scene classification by merging multilevel features of convolutional neural networks[J]. Journal of the Indian Society of Remote Sensing， 2021， 49（6）： 1379-1391.

[8]THECKEDATH D， SEDAMKAR R R. Detecting affect states using VGG16， ResNet50 and SE-ResNet50 networks[J]. SN Computer Science， 2020， 1（2）： 1-7.

[9]趙鵬超，戚大偉.基于卷積神經(jīng)網(wǎng)絡(luò)和樹葉紋理的樹種識(shí)別研究[J].森林工程，2018，34（1）：56-59.

ZHAO P C， QI D W. Study on tree species identification based on convolution neural network and leaf texture image[J]. Forest Engineering， 2018， 34（1）： 56-59.

[10]汪泉，宋文龍，張怡卓，等.基于改進(jìn)VGG16網(wǎng)絡(luò)的機(jī)載高光譜針葉樹種分類研究[J].森林工程，2021，37（3）：79-87.

WANG Q， SONG W L， ZHANG Y Z， et al. Study on hyperspectral conifer species classification based on improved VGG16 network[J]. Forest Engineering， 2021， 37（3）： 79-87.

[11]朱良寬，晏銘，黃建平.一種新型卷積神經(jīng)網(wǎng)絡(luò)植物葉片識(shí)別方法[J].東北林業(yè)大學(xué)學(xué)報(bào)，2020，48（4）：50-53.

ZHU L K， YAN M， HUANG J P. Plant leaf recognition method with new convolution neural network[J]. Journal of Northeast Forestry University， 2020， 48（4）： 50-53.

[12]孫穎異，李健，時(shí)天，等.基于改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)的植物葉片識(shí)別[J].種子，2020，39（2）：77-81.

SUN Y Y， LI J， SHI T， et al. Plant leaf recognition based on modified AlexNet convolutional neural network[J]. Seed， 2020， 39（2）： 77-81.

[13]孫俊，譚文軍，毛罕平，等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（19）：209-215.

SUN J， TAN W J， MAO H P， et al. Recognition of multiple plant leaf diseases based on improved convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（19）： 209-215.

[14]劉陽，高國琴.采用改進(jìn)的SqueezeNet模型識(shí)別多類葉片病害[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（2）：187-195.

LIU Y， GAO G Q. Identification of multiple leaf diseases using improved SqueezeNet model[J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（2）： 187-195.

[15]TUNCER A. Cost-optimized hybrid convolutional neural networks for detection of plant leaf diseases[J]. Journal of Ambient Intelligence and Humanized Computing， 2021， 12（8）： 8625-8636.

[16]黃建平，陳鏡旭，李克新，等.基于神經(jīng)結(jié)構(gòu)搜索的多種植物葉片病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（16）：166-173.

HUANG J P， CHEN J X， LI K X， et al. Identification of multiple plant leaf diseases using neural architecture search[J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（16）： 166-173.

[17]李曉振，徐巖，吳作宏，等.基于注意力神經(jīng)網(wǎng)絡(luò)的番茄葉部病害識(shí)別系統(tǒng)[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（3）：561-568.

LI X Z， XU Y， WU Z H， et al. Recognition system of tomato leaf disease based on attentional neural network[J]. Jiangsu Journal of Agricultural Sciences， 2020， 36（3）： 561-568.

[18]馬永杰，程時(shí)升，馬蕓婷，等.多尺度特征融合與極限學(xué)習(xí)機(jī)結(jié)合的交通標(biāo)志識(shí)別[J].液晶與顯示，2020，35（6）：572-582.

MA Y J， CHENG S S， MA Y T， et al. Traffic sign recognition based on multi-scale feature fusion and extreme learning machine[J]. Chinese Journal of Liquid Crystals and Displays， 2020， 35（6）： 572-582.

[19]劉飛，高紅艷，衛(wèi)澤剛，等.基于Res-Net深度特征的SAR圖像目標(biāo)識(shí)別方法[J].液晶與顯示，2021，36（4）：624-631.

LIU F， GAO H Y， WEI Z G， et al. SAR image target recognition method using based on Res-Net deep features[J]. Chinese Journal of Liquid Crystals and Displays， 2021， 36（4）： 624-631.