基于多模态融合技术的番茄灰霉病智能协同诊断模型研究

杜亚茹　黄媛　杜鹏飞　高欣娜　武猛　杨英茹

摘要：為快速、准确地监测设施番茄灰霉病的发生情况，选取灰霉病发生的环境因子特征和图像特征两类数据，分别构建基于单因子的灰霉病的识别模型，并研究两个模型间的关联识别模型。首先，连续采集番茄灰霉病发生与不发生设施温室的最高空气温度和平均空气湿度，构建基于Logistic回归分析的设施番茄灰霉病温湿度预测模型；然后，开展番茄叶部灰霉病RGB图像的采集和预处理，建立图像数据集，构建基于ResNet50-CBAM卷积神经网络的番茄灰霉病RGB图像识别模型；最后，运用多模态融合技术，以温湿度预测模型为文本模态，图像识别模型为图像模态，构建番茄灰霉病智能协同诊断模型。试验结果表明：在VGG16，MobileNet V2，ResNet50和ResNet50-CBAM四个网络模型中，ResNet50-CBAM网络结构准确率最高，达到95.48%，使用基于多模态融合技术的番茄灰霉病智能协同诊断技术的准确率达98.3%，比温湿度预测模型提高14.7%，比RGB图像识别模型提高2.82%。

关键词：番茄灰霉病；多模态融合；回归分析；深度神经网络

中图分类号：S274.1文献标识码：A文章编号：20955553 （2023） 11011508

Study on intelligent collaborative diagnosis model of tomato Botrytis based on

multi-mode fusion technology

Du Yaru Huang YuanDu Pengfei Gao Xinna Wu Meng Yang Yingru

（1. Shijiazhuang Academy of Agricultural and Forestry Sciences， Shijiazhuang， 050011， China; 2. Shijiazhuang Key

Laboratory of Agricultural Information Perception and Intelligent Control， Shijiazhuang， 050011， China）

Abstract：In order to monitor the occurrence of tomato Botrytis quickly and accurately， we selected two kinds of data of environmental factor feature and image feature of the occurrence of gray mold to construct the recognition model of Botrytis based on single factor respectively， and studied the correlation recognition model between the two models. Firstly， we collected the maximum air temperature and average air humidity of the occurrence and non-occurrence of Botrytis， and established the prediction model of Botrytis based on Logistic regression analysis. Secondly， RGB images of Botrytis on tomato leaves were collected and prepossessed to establish an image data set. Then we established a ResNet50-CBAM CNN RGB image recognition model of Botrytis based on it. Finally， the temperature and humidity prediction model was used as the text mode， and the image recognition model was used as the image mode， we constructed the intelligent collaborative diagnosis model of Botrytis by the multi-mode fusion technology. Experimental results showed that among the four network models VGG16， MobileNet V2， ResNet50 and RESNET50-CBAM， the ResNet50-CBAM network structure had the highest accuracy， reaching 95.48%. The accuracy of intelligent collaborative diagnosis of Botrytis based on multi-mode fusion technology was 98.3%， which was 14.7% higher than that of temperature and humidity prediction model， and 2.82% higher than that of RGB image recognition model.

Keywords：tomato Botrytis; multi-mode fusion; logistic analysis; deep neural network

0引言

传统的番茄病害诊断方法是由植保专家依据经验和病理对病状和病症进行综合分析后得出的诊断结果［12］，这种诊断方法技术落后、效率低、主观性强，极易延误最佳的防治时间从而导致大面积减产，因此高效、实时、标准化和准确性较高的病害早期诊断是作物病害诊断的发展趋势［3］。

利用物联网技术对病害发生时的环境条件进行监测，探索植物病害发生与环境因子特征之间的关系，建立作物病害预警体系，可有效解决制约精准农业发展的重要问题［4］。目前，许多农业专家在环境模拟方面开展了相关研究，杨英茹等［5］采集设施番茄病毒病发生前15天中每天的最高温度和最低湿度，建立设施番茄病毒病预警模型，陈杰等［6］综合分析8—10月的月平均温度、累计降雨量和累计日照时长三个气象因子，构建番茄黄化曲叶病毒病预警模型，王晓蓉等［7］对日光温室的最高空气湿度和最高空气温度进行了实时动态监测和采集，并建立日光温室黄瓜白粉病浴巾该模型。

利用机器视觉和卷积神经网络技术对植物病害发生时的病斑纹理、颜色等特征进行识别，是解决植物病害种类自动识别问题的有效方法［8］。在AlexNet、VGG16、MobileNet、Inception、ResNet等众多神经网络的模型当中，ResNet網络结构清晰、拓展性好，可直接用于其他网络，且训练速度快、准确率高、易优化［9］。目前，许多研究者在残差模块、ReLU激活函数和添加注意力机制等方向对ResNet网络进行改造，李书琴等［10］提出一种基于轻量级残差网络的植物叶片病害识别方法，网络基于ResNet缩减卷积核数目和轻量级残差模块，在大幅减少网络参数、降低计算复杂度的同时，在自建苹果叶片病害数据集上获得1.52%的低识别错误率；郝菁等［11］以苹果赤霉病、苹果雪松锈病和苹果灰斑病3种苹果病害叶片图像为研究对象，基于ResNet50模型进行优化，最终达到97.7%的准确率；孟亮等［12］提出一种轻量级卷积神经网络农作物病害识别模型，以ResNet残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型，对辣椒、番茄和马铃薯的病害图像进行分类识别，最终模型在训练集上的总识别准确率为99.33%；周宏威等［13］针对ResNet50网络模型使迁移学习技术，对苹果树叶片病虫害识别准确率分别达95.34%；李庆盛等［14］提出一种基于非对称注意力机制残差网络（Asymmetric Convolution Attention ResNet，ACA-ResNet）的图像检测模型，该模型经过ImageNet 数据集预训练后对玉米病害凸显隔断平均识别准确率可达到97.25%；陆雅诺等［15］提出一种基于软注意力机制的小样本啤酒花病虫害识别方法，对传统深度残差网络ResNet模型进行改进，改进过后的模型A-ResNet50和A-ResNet101都能准确识别不同类型的病虫害图像，在测试集上的准确率为93.27%和93.11%。

由于在相同环境条件下，可能多种病齐发，且同一片叶子上不同的病斑之间可能有交错、重叠，从而影响深度学习的识别效率，因此从植物病害的一个识别因子出发有一定的局限性。本文以番茄灰霉病为研究对象，分别从灰霉病发病的环境因子和发病后图像特征因子两个方面进行了探索，综合物联网技术和深度学习技术，构建基于多模态融合技术的番茄灰霉病智能协同识别模型，使得病害识别模型准确率更高。

1试验材料

1.1空气温湿度数据采集

通过对比分析适宜灰霉病发病时间段内大棚里历年空气温湿度数据发现，每天的最高温度能最大程度地反应当天的空气温度条件，如果当天的最高温度处于20℃左右，则该天的温度条件被认为是符合番茄灰霉病发病的条件；平均温度能最大程度地反应当天的空气湿度条件，只有平均湿度在90%以上，才可以保证当天空气湿度90%保持的时间较长。因此选择温室大棚气象数据中每一天的最高温度和平均湿度作为设施番茄灰霉病预测指标，并通过温室娃娃对温室内的空气温度和空气湿度进行精准采集，样例数据如表1所示。

试验采集得到6组灰霉病流行的环境数据和14组灰霉病未流行的环境数据，每组数据均为包含调查日在内前7天数据。

1.2RGB图像数据获取

1.2.1番茄灰霉病叶部RGB图像采集

试验于2020年11月9日至11月29日，在石家庄市农林科学研究院赵县实验基地2号和3号温室采集番茄灰霉病RGB图像，采集设备为苹果手机iPhone X，番茄品种为“金冠5号”，所采集数据均为生长状态及自然光照下番茄叶部图像，如图1所示，数据采集时以能够清晰拍摄番茄叶部病斑，且目标叶片在整个图像上占比最大化为主要原则。

为了采集到多样化的番茄灰霉病叶部图像，采集时选取不同的时间段、以不同拍照距离、不同拍照角度进行拍照，共采集到1 666张复杂背景下原始病害叶部RGB图像，图片背景包含地面、地膜、水管和大量与病害相似的背景。

1.2.2图像预处理

1）  调整图像大小。由于本试验用到的神经网络全连接层神经元个数有限，进入神经网络的图片需要固定大小，所以在番茄叶片病害图像输入神经网络前是需要进行调整图像尺寸。本次试验将输入卷积神经网络的图像大小预先调整为256像素×256像素。

2）  标准化处理。标准化操作（Standardization）就是将原始数据减去其均值后，再除以标准差，其计算如式（1）～式（3）所示。

1.2.3数据集构建

本文的数据集分为两个子集后还需要按照每张图片所属番茄病害种类进行存储位置的分类。存储位置的分类即是将每张对应番茄叶片病害的图片划分到所属它的文件夹下，这样将图片输入神经网络时就可以非常顺利的进行，训练集和测试集数据量如表2所示。

2模型选取

2.1基于Logistic回归分析的设施番茄灰霉病温湿度预测模型

2.1.1变量定义

将温室大棚气象数据中每一天的最高温度和平均湿度作自变量，将番茄灰霉病是否流行作为因变量，进行Logistic回归分析。

2.1.2模型检验

将番茄灰霉病是否流行作为因变量Y，日光温室环境中每日最高空气温度和平均空气湿度分别作为自变量X1和X2，番茄灰霉病发生概率为P，α为常数，β和γ为回归系数，如式（4）所示。

2.2基于ResNet50-CBAM卷积神经网络的番茄灰霉病RGB图像识别

2.2.1模型选取

卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，CNN由卷积层和池化层及全连接层组成，还包括特殊的网络层，如相关权重和激活函数。作为CNN的核心，卷积运算和池化操作是核心，如图3所示，卷积神经网络能够有效地将大数据量的图像进行降维，使其变小，同时能够保存图像的重要特征。

常见的分类网络都可以分为两部分，一部分是特征提取，另一部分是分类部分。特征提取部分的功能是对输入进来的图片进行特征提取，优秀的特征可以帮助更容易区分目标，所以特征提取部分一般由各类卷积组成，卷积拥有强大的特征提取能力；分类部分会利用特征提取部分获取到的特征进行分类，分类部分一般由全连接组成，特征提取部分获取到的特征一般是一维向量，可以直接进行全连接分类。通常情况下，特征提取部分就是我们平常了解到的各种神经网络，比如VGG、Mobilenet、ResNet等，而分类部分就是一次或两次的全连接。本文使用PyTorch框架，基于ResNet50神经网络模型进行迁移学习。

ResNet网络是ILSVRC2015的冠军模型。该网络提出残差架构，通过非线性的卷积层增加直连边的方法提高信息传播效率，并使高层的梯度能直接回传，解决深层网络梯度消失的问题。ResNet网络的拓展性好，可直接用于其他网络，且网络训练速度快、易优化。目前，许多研究者对ResNet网络进行改进，出现很多优秀的基于残差结构的卷积神经网络。

ResNet是目前深度学习领域中常用的主流模型之一，已在包括图像分类等多领域中取得不错的效果，ResNet在一定程度上，解决了深层网络在训练过程中出现的梯度消失或爆炸问题，有效降低了深层网络学习的难度。为了和浅层CNN比较，所以选择了深层的ResNet50网络，该网络在具有较好识别精度的同时还具有优秀的实时性，更适合于实况工作条件下植物病斑的识别任务。

50层的网络划分为六大部分，分为是输入模块，四个组块（每个组块都由三个残差块组成）和最后的输出模块。该网络模型主要构成单元为残差块结构，各层均使用Relu激活函数并添加Batch Normalization单元，用以提高模型的拟合能力。残差网络主要是将靠前若干层某一层数据输出直接跳过多层引入到后面数据层的输入部分。深度残差网络的设计是为了克服由于网络深度加深而产生的学习效率变低与准确率无法有效提升的问题。意味着后面的特征层的内容会有一部分由其前面的某一层线性贡献，其结果如图4所示。

ResNet50有Conv Block和Identity Block两个基本块，其中Conv Block输入和输出的维度是不一样的，所以不能连续串联，其作用是改变网络的维度，Identity Block输入维度和输出维度相同，可以串联，其作用是加深网络，二者都是残差网络结构。Conv Block包含主干部分和残差边部分，主干部分存在两次卷积、标准化、激活函数和一次卷积、标准化，残差边部分存在一次卷积、标准化，由于残差边部分存在卷积，所以可以利用Conv Block改变输出特征层的宽高和通道数。Identity Block可以分为两个部分，主干部分存在两次卷积、标准化、激活函数和一次卷积、标准化；残差边部分直接与输出相接，由于残差边部分不存在卷积，所以Identity Block的输入特征层和输出特征层的shape是相同的，可用于加深网络。表3为ResNet50的网络结构。

2.2.2空间注意力机制

卷积的空间注意力模块（Convolutional Block Attention Module，CBAM）是一种用于前馈卷积神经网络的简单而有效的注意力模块（图5），包含两个子模块，分别为通道注意力模块CAM和空间注意力模块SAM，两个注意力模块采用串联的方式。CBAM模块会沿着这两个独立的维度依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。

CAM通过网络计算出图像各个通道的权重，选出最有意义的通道从而达到提高特征表示能力的目的。该模块将输入的特征图，分别经过基于宽和高的全局最大池化和全局平均池化操作，再分别经过多层感知器（MLP，Multilayer Perceptron），将MLP输出的特征进行对应元素逐个相乘，最后通过Sigmoid激活函数进行激活生成最终的通道注意力特征图。

空间注意力模块的目的是找到关键信息在Map的哪个位置上最多，是对通道注意力的补充。该模块将通道注意力模块输出的特征图作为本模块的输入特征图，首先基于特征图通道进行全局最大池化和全局平均池化操作，再將所得结果进行拼接，之后经过卷积操作，将通道数降维到1，再使用Sigmoid激活函数生成空间注意力特征图，最后将该特征图和该模块的输入特征图进行对应元素相乘，得到最终特征，如式（6）所示。

2.3基于多模态融合技术的茄灰霉病RGB图像智能协同识别模型

深度学习中的多模态融合技术（Multimodality Fusion Technology，MFT）可以从文本、图像、语音、视频等多种数据类型中获取信息，实现信息转化和融合，从而提升模型性能和决策准确率。由于不同模态的特征向量最初位于不同子空间中，因此可将不同子空间的特征向量投影到公共子空间，其中具有相似语义的多模态数据将由相似向量表示。该方法可缩小语义子空间的分布差距，消除异质性差异，同时保持模态特定语义的完整性。

多模态融合架构可分为三类：联合架构、协同架构和编解码架构。联合架构是将单模态表示投影到一个共享语义子空间中，以便能融合多模態特征；协同架构包括跨模态相似模型和典型相关分析，其目的是寻求协调子空间中模态间的关联关系；编解码器架构用于将一个模态映射到另一个模态的中间表示。多模态联合架构的关键是实现特征“联合”，最简单方法是直接连接，即“加”联合方法。该方法在不同的隐藏层实现共享语义子空间，将转换后的各个单模态特征向量语义组合在一起，从而实现多模态融合；多模态协同架构是各种分离的单模态在某些约束下实现相互协同的方法。由于不同模态包含的信息不一样，协同方法有利于保持各单模态独有的特征和排他性；多模态编解码器架构通常用于将一种模态映射到另一种模态的多模态转换任务中，主要由编码器和解码器两部分组成。编码器将源模态映射到向量中，解码器基于该向量将生成一个新的目标模态样本。

3结果讨论

3.1基于Logistic回归分析的番茄灰霉病空气温湿度预测模型

从表4可以看出，对于Y=0（番茄灰霉病没有流行），有90.8%的准确性；对于Y=1（番茄灰霉病流行），有66.7%准确性，对于所有观测，正确个案数合计为117，合计准确性为83.6%，模型效果较好。

模型通过检验后可得拟合模型中的各项系数值，如表5所示。

从表5可以看出，所关心的两个变量“最高空气温度”与“平均空气湿度”均进入了最终模型，B值对应的是最终模型参数估计值，常数项α为44.914，最高空气温度的回归系数β为-0.529，平均空气湿度的回归系数γ为-0.359。因此预测模型

3.2基于ResNet50-CBAM的番茄RGB图像识别模型

本研究选取VGG16、Mobilenet、ResNet50三种卷积神经网络框架进行学习，并且针对数据增强训练时间长、效率低下的问题，在ResNet50的基础上采用注意力机制（ResNet50+CBAM）的方法来提升番茄灰霉病RGB数据集的识别准确率。每个模型各进行了100个轮次的学习，分别得到各个模型的训练损失曲线（Train_Loss）、测试损失曲线（Val_Loss）和测试准确率曲线（Accuracy）。其中，前30个轮次冻结，目的是加速训练速度，后70个轮次解冻，使得训练结果更准确。

由图6可知，VGG16、Mobilenet、ResNet50和ResNet50+CBAM四个框架的Train_Loss曲线在前30个epoch中不断拟合，表现为先骤降然后趋于平稳，表明在该阶段学习率太高陷入局部最小值。通过对学习率进行调整（降低10倍），Train_loss大幅下降，分别在第41个、39个、38个和36个epoch后loss值降低到0.1%以下，说明收敛性良好。Val_Loss曲线较Train_Loss曲线略有波动，但大体走势相似。由图7可知，Accuracy曲线表明ResNet50+CBAM学习的准确率较高。

4个不同的神经网络框架对于原始数据集和数据增强后的数据集识别准确率对比如表6所示。

由表6可知，数据增强后的识别准确率得到一定程度的提升，其中ResNet50+CBAM训练效果最好，数据增强后的数据集准确率最高达到95.48%，且相较原始数据集提高了0.91%。

综上，本研究选取基于注意力机制的ResNet50框架卷积神经网络进行学习，构建番茄灰霉病RGB图像识别模型。

3.3番茄灰霉病智能协同诊断模型

采用专家打分法，确定两个模态的权重值。

第一步，选择评价定权值组的成员。

第二步，列表。本次打分要求专家在充分了解并测试以上两个模型后，分别从其准确性、科学性、数据量的多少、操作性四个方面进行打分，每一项25分，满分100分。其中，准确性指模型的准确率，专家参考测试准确率并亲自对模型进行测试，结合二者准确率进行打分；科学性指模型从农艺角度出发，对番茄灰霉病发病情况的合理性判断；数据量的多少则是判断模型的一项重要依据；操作性是指在实际模型使用过程中，操作的步骤及难度，诸如基于logistic回归分析的空气温湿度预测模型，需要从一天的空气温度和空气湿度中，计算出最高空气温度和平均空气湿度，基于ResNet50+CBAM图像识别模型需要拍摄一张番茄叶部病害照片进入模型。

第三步，发给每个参与评价者一份上述表格。

第四步，要求每个成员对每列的权值填上记号，得到每种因子的权值分数。

第五步，要求所有的成员对做了记号的列逐项比较，看看所评的分数是否能代表他们的意见，如果发现有不妥之处，应重新画记号评分，直至满意为止。

第六步，要求每个成员把每个评价因子的重要性的评分值相加，得出总数。

第七步，每个成员用第六步求得的总数去除分数，即得到每个评价因子的权重。

第八步，把每个成员的表格集中起来，求得各种评价因子的平均权重。

第九步，列出每种的平均数，并要求评价者把每组的平均数与自己在第七步得到的权值进行比较。

第十步，如有人还想改变评分，就必须回到第四步重复整个评分过程。如果没有异议，则到此为止。

从表7可知，基于多模态融合技术的番茄灰霉病智能协同识别模型（式（7））中，空气温湿度预测模型权重系数c为0.37，RGB图像识别模型的权重d为0.63，且通过试验验证，准确率达98.3%。其中，基于logistic回归分析的空气温湿度模型的输入参数为当日的最高温度和平均湿度，满足低温高湿的条件即会预测为灰霉病，然而设施番茄的实际生产中，低温高湿的空气条件会诱发多种病，除了灰霉病之外，还有炭疽病和猝倒病等，因此科学性和准确率都较低；而基于ResNet50+CBAM的图像识别模型也存在一定的误差。空气温湿度模型提供了准确的发病条件，图像识别模型准确识别了发病图像特征，二者互相补充，准确率分别提升了12.7%和0.82%。

4结论

本文提出了一种基于多模态融合技术的番茄灰霉病智能协同诊断模型，该模型将灰霉病发生的环境因子和图像特征兩类数据进行融合，实现番茄灰霉病快速准确的识别，试验表明该模型识别准确率高达98.3%。

1）  当日的平均温度和最高湿度能很好的代表秋冬茬低温高湿的环境条件，将二者输入Logistic回归分析模型，得到的空气温湿度预测模型准确率达83.6%。

2）  通过对比神经网络模型的VGG16、MobileNet V2、ResNet50三种网络，采用空间注意力机制对ResNet50网络进行改进，得到的ResNet50+CBAM的图像识别模型在训练集上准确率最高，达95.48%。

3）  通过专家打分法得到空气温湿度预测模型和图像识别模型的权重值，将文本模态和图像模态进行很好的融合，最终得到的基于多模态融合技术的番茄灰霉病智能协同诊断模型较空气温湿度模型提高14.7%，较图像识别模型提高2.82%。说明环境因子特征和图像特征均为判定番茄灰霉病发病的重要因素。

参考文献

［1］林建吾， 张欣， 陈孝玉龙， 等. 基于轻量化卷积神经网络的番茄病害图像识别［J］. 无线电工程， 2022（8）： 1-11.Lin Jianwu， Zhang Xin， Chen Xiaoyulong， et al. Tomato disease image recognition based on lightweight Convolutional Neural Network ［J］. Radio Engineering， 2022（8）： 1-11.

［2］谢传奇， 何勇. 利用光谱反射特性对番茄叶片早疫病害程度的识别［J］. 中国科技论文， 2017， 12（6）： 671-675.Xie Chuanqi， He Yong. Identification of early blight disease degree of tomato leaf using spectral reflectance ［J］.China Sciencepaper， 2017， 12（6）： 671-675.

［3］孔汶汶， 虞佳佳， 刘飞， 等. 基于高光谱成像技术的番茄茎秆灰霉病早期诊断研究［J］. 光谱学与光谱分析， 2013， 33（3）： 733-736.Kong Wenen， Yu Jiajia， Liu Fei， et al. Early diagnosis of gray mold on tomato stalks based on Hyperspectral data ［J］. Spectroscopy and Spectral Analysis， 2013， 33（3）： 733-736.

［4］瞿华香， 赵萍， 陈桂鹏， 等. 基于无线传感器网络的精准农业研究进展［J］. 中国农学通报， 2014， 30（33）： 268-272.Zhai Huaxiang， Zhao Ping， Chen Guipeng， et al. Advances in precision agriculture-based wireless sensor networks ［J］. Chinese Agricultural Science Bulletin， 2014， 30（33）： 268-272.

［5］杨英茹， 黄媛， 高欣娜， 等. 基于Logistic回归模型的设施番茄病毒病预警模型构建［J］. 河北农业科学， 2019， 23（5）： 91-94.Yang Yingru， Huang Yuan， Gao Xinna， et al. Early warning model construction of greenhouse tomato virus disease based on Logitic regression model ［J］. Journal of Hebei Agricultural Sciences， 2019， 23（5）： 91-94.

［6］陈杰， 杨银娟， 严宝华， 等. 番茄黄化曲叶病毒病预警模型的建立［J］. 中国植保导刊， 2017， 37（3）： 49-52.Chen Jie， Yang Yinjuan， Yan Baohua， et al. Establishment of early warning model for tomato yellow leaf curl virus disease ［J］. China Plant Protection， 2017， 37（3）： 49-52.

［7］王晓蓉， 吕雄杰， 贾宝红. 基于物联网技术的日光温室黄瓜白粉病预警系统研究［J］. 农学学报， 2016， 6（8）： 50-53.Wang Xiaorong， Lü Xiongjie， Jia Baohong. Construction of cucumber powdery mildew early warning system in solar greenhouse based on internet of things ［J］. Journal of Agriculture， 2016， 6（8）： 50-53.

［8］曹跃腾， 朱学岩， 赵燕东， 等. 基于改进ResNet的植物叶片病虫害识别［J］. 中国农机化学报， 2021， 42（12）： 175-181.Cao Yueteng， Zhu Xueyan， Zhao Yandong， et al. Recognition of plant leaf diseases， insect， and pests based on improved ResNet ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（12）： 175-181.

［9］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， 2016： 770-778.

［9］Xu Y， Zhao B， Zhai Y， et al. Maize diseases identification method based on multi-scale convolutional global pooling neural network ［J］. IEEE Access， 2021， 9： 27959-27970.

［11］Pham T N， Van Tran L， Dao S V T. Early disease classification of mango leaves using feed-forward neural network and hybrid metaheuristic feature selection ［J］. IEEE Access， 2020， 8： 189960-189973.

［12］鲍文霞， 黄雪峰， 胡根生， 等. 基于改进卷积神经网络模型的玉米叶部病害识别［J］. 农业工程学报， 2021， 37（6）： 160-167.Bao Wenxia， Huang Xuefeng， Hu Gensheng， et al. Identification of maize leaf diseases using improved convolutional neural network ［J］.Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（6）： 160-167.

［10］李书琴， 陈聪， 朱彤， 等. 基于轻量级残差网络的植物叶片病害识别［J］. 农业机械学报， 2022， 53（3）： 243-250.Li Shuqin， Chen Cong， Zhu Tong， et al. Plant leaf disease identification based on lightweight residual network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（3）： 243-250.

［11］郝菁， 贾宗维. 基于图像识别的苹果叶片病害识别模型对比研究［J］. 中国农学通报， 2022， 38（12）： 153-158.Hao Jing， Jia Zongwei. Comparative study on apple leaf disease recognition models based on image recognition ［J］. Chinese Agricultural Science Bulletin， 2022， 38（12）： 153-158.

［12］孟亮， 郭小燕， 杜佳举， 等. 一种轻量级CNN农作物病害图像识别模型［J］. 江苏农业学报， 2021， 37（5）： 1143-1150.Meng Liang， Guo Xiaoyan， Du Jiaju， et al. A lightweight CNN model for image recognition of crop disease ［J］. Jiangsu Journal of Agricultural Sciences， 2021， 37（5）： 1143-1150.

［13］周宏威， 沈恒宇， 袁新佩， 等. 基于迁移学习的苹果树叶片病虫害识别方法研究［J］. 中国农机化学报， 2021， 42（11）： 151-158.Zhou Hongwei， Chen Hengyu， Yuan Xinpei， et al. Research on identification method of apple leaf diseases based on transfer learning ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 151-158.

［14］李庆盛， 缪楠， 张鑫， 等. 基于注意力机制非对称残差网络和迁移学习的玉米病害图像识别［J］. 科学技术与工程， 2021， 21（15）： 6249-6256.Li Qingsheng， Miao Nan， Zhang Xin， et al. Image recognition of maize disease based on asymmetric convolutional attention residual network and transfer learning ［J］. Science Technology and Engineering， 2021， 21（15）： 6249-6256.

［15］陸雅诺， 陈炳才. 基于注意力机制的小样本啤酒花病虫害识别［J］. 中国农机化学报， 2021， 42（3）： 189-196.Lu Yanuo， Chen Bingcai. Identification of hops pests and diseases in small samples based on attentional mechanisms ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 189-196.

［19］骆润玫， 王卫星. 基于卷积神经网络的植物病虫害识别研究综述［J］. 自动化与信息工程， 2021， 42（5）： 1-10.Luo Runmei， Wang Weixing. Review on plant disease and pest identification based on Convolutional Neural Network ［J］. Automation & Information Engineering， 2021， 42（5）： 1-10.

［20］储岳中， 汪佳庆， 张学锋， 等. 基于改进深度残差网络的图像分类算法［J］. 电子科技大学学报， 2021， 50（2）： 243-248.Chu Yuezhong， Wang Jiaqing， Zhang Xuefeng， et al. Image classification algorithm based on improved deep residual network ［J］. Journal of University of Electronic Science and Technology of China， 2021， 50（2）： 243-248.