基于k-means分割和遷移學(xué)習(xí)的番茄病理識(shí)別

黎振 陸玲 熊方康

摘要：針對(duì)有背景干擾的番茄病理葉片，將k-means分割與遷移學(xué)習(xí)相結(jié)合，提出一種基于k-means分割和遷移學(xué)習(xí)的方法對(duì)番茄病害葉片進(jìn)行識(shí)別。首先對(duì)原始圖像進(jìn)行一系列預(yù)處理，再將處理后的圖像進(jìn)行k-means分割，得到葉片邊緣的最小矩陣圖像，之后進(jìn)行去噪處理，簡(jiǎn)化突出圖像特征，再根據(jù)預(yù)處理后的圖像特點(diǎn)，優(yōu)化改進(jìn)遷移的VGG16網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建 CNN 模型對(duì)預(yù)處理后圖像進(jìn)行識(shí)別。結(jié)果顯示，通過分割后訓(xùn)練方式平均精度提升了0.37百分點(diǎn)，通過凍結(jié)遷移的VGG16網(wǎng)絡(luò)第1個(gè)卷積模塊并修改全連接層的方法提升了5.4%左右。因此本研究認(rèn)為通過分割、凍結(jié)VGG16第1個(gè)卷積層模塊的參數(shù)并修改全連接層可以提升番茄病理識(shí)別率。

關(guān)鍵詞：農(nóng)作物病蟲害;k-means分割;卷積神經(jīng)網(wǎng)絡(luò);遷移學(xué)習(xí);VGG16

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

文章編號(hào)：1002-1302（2021）12-0156-06

收稿日期：2020-11-07

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61761003）。

作者簡(jiǎn)介：黎 振（1997—），男，江西南城人，碩士，主要從事深度學(xué)習(xí)和圖像處理研究。E-mail：243502783@qq.com。

通信作者：陸 玲，碩士，教授，碩士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)圖形學(xué)，數(shù)字圖像處理，計(jì)算機(jī)可視化。E-mail：luling@ecit.cn。

農(nóng)作物病蟲害一直是農(nóng)業(yè)領(lǐng)域面臨的巨大挑戰(zhàn)之一，它不僅會(huì)影響農(nóng)業(yè)生產(chǎn)，還會(huì)影響食品安全[1] 。根據(jù)相關(guān)統(tǒng)計(jì)和分析，從2015年到2019年，全國(guó)農(nóng)作物病害的受災(zāi)面積從1 926萬hm2到 2 176.98萬hm2 不等。根據(jù)全國(guó)農(nóng)業(yè)技術(shù)推廣服務(wù)中心的預(yù)測(cè)，2020 年我國(guó)農(nóng)作物病害的受災(zāi)面積將累計(jì)達(dá)到 3 億 hm2，造成相當(dāng)大的糧食與經(jīng)濟(jì)損失[2]。其中馬鈴薯晚疫病在西南大部、東北北部、華北北部和西北東部產(chǎn)區(qū)偏重流行，風(fēng)險(xiǎn)高，發(fā)生面積2 800萬畝（1 hm2=15畝）。為了更好地預(yù)防番茄病蟲害的發(fā)生，快速檢測(cè)出屬于哪種病蟲害是預(yù)防病蟲害最主要的方法之一。由于病害的癥狀復(fù)雜多變，業(yè)余人員對(duì)病理的診斷往往存在較大偏差，只有專業(yè)人員才能進(jìn)行準(zhǔn)確的識(shí)別;但人工識(shí)別所消耗的時(shí)間也較長(zhǎng)，還需要耗費(fèi)大量的人力物力進(jìn)行診斷[3]。因此，研究快速準(zhǔn)確檢測(cè)馬鈴薯病害的診斷系統(tǒng)變得至關(guān)重要。隨著計(jì)算機(jī)視覺與神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，圖像識(shí)別率不斷增高，人工智能技術(shù)正逐步應(yīng)用于農(nóng)作物耕作、采摘、病害檢測(cè)等方面[4]。

隨著圖像處理技術(shù)的發(fā)展，越來越多的研究人員使用數(shù)字圖像處理技術(shù)對(duì)農(nóng)作物進(jìn)行識(shí)別。田海韜等從彩色空間中利用歐式距離直接分割芽眼區(qū)域，在灰度空間中對(duì)圖像進(jìn)行中值濾波后利用模糊技術(shù)對(duì)圖像進(jìn)行增強(qiáng)，之后利用動(dòng)態(tài)閾值分割法分割芽眼區(qū)域，結(jié)合2個(gè)空間的分割結(jié)果后利用數(shù)學(xué)形態(tài)學(xué)處理方法標(biāo)記出芽眼，最終得到識(shí)別率為96%左右[5]。郭小清等通過選擇HSV（hue，saturation，value，色相，飽和度，色明度）模型中的4維H分量等量分割波段作為顏色特征，基于灰度差分統(tǒng)計(jì)的均值、對(duì)比度和熵3維特征作為紋理特征，融合7維特征向量作為支持向量機(jī)（SVM）分類器的輸入，用粒子群算法（PSO）優(yōu)化SVM模型參數(shù)，最終得到識(shí)別率平均為90%[6]。

上述識(shí)別方法既有優(yōu)點(diǎn)又有缺點(diǎn)，傳統(tǒng)的數(shù)字圖像處理方法具有應(yīng)用廣泛、處理精度高、靈活性高等特點(diǎn)，但處理后的圖像需要在專業(yè)人員的指導(dǎo)下進(jìn)行觀察與評(píng)估。已有研究證明卷積神經(jīng)網(wǎng)絡(luò)識(shí)別圖像不需要執(zhí)行繁瑣的預(yù)處理、特征提取以及特征分類的步驟。曾偉輝等提出了一個(gè)高階殘差卷積神經(jīng)網(wǎng)絡(luò)，包含5層卷積層，4個(gè)殘差模塊，1個(gè)全局平均池化層和1個(gè)Softmax層對(duì)農(nóng)作物病害進(jìn)行識(shí)別[7]。張建華等利用卷積神經(jīng)網(wǎng)絡(luò)直接從輸入數(shù)據(jù)的原始表示中學(xué)習(xí)有用的葉片特征，證明使用深度學(xué)習(xí)的混合局部-全局特征學(xué)習(xí)方法可以提高識(shí)別性能[8]。經(jīng)過訓(xùn)練的模型可以很快地對(duì)圖像進(jìn)行分類，但訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)是非常耗時(shí)的，且需要大量的數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。遷移學(xué)習(xí)通過遷移在大型數(shù)據(jù)集上訓(xùn)練過的模型參數(shù)，來對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行訓(xùn)練。Lee等在VGG-16網(wǎng)絡(luò)模型基礎(chǔ)上，優(yōu)化全連接層層數(shù)，并用6標(biāo)簽SoftMax分類器替換原有VGG-16網(wǎng)絡(luò)中的SoftMax分類器，優(yōu)化了模型結(jié)構(gòu)和參數(shù)，通過微型遷移學(xué)習(xí)共享預(yù)訓(xùn)練模型中卷積層與池化層的權(quán)值參數(shù)[9]。余小東等采用遷移學(xué)習(xí)方式并結(jié)合深度學(xué)習(xí)提出了一種基于殘差網(wǎng)絡(luò)（ResNet 50）的 CDCNNv2 算法，通過對(duì)農(nóng)作物進(jìn)行病害識(shí)別，最終識(shí)別率在91%左右[10]。Lee等使用遷移VGG16并搭配Adam優(yōu)化器來對(duì)大豆豆莢進(jìn)行識(shí)別，識(shí)別率高達(dá)98.41%[9]。

結(jié)合上述的研究方法，本研究提出了一種基于 k-means 分割和遷移學(xué)習(xí)的方法對(duì)番茄病理進(jìn)行識(shí)別，可以在減少訓(xùn)練時(shí)間的同時(shí)，加快模型的收斂速度。首先對(duì)數(shù)據(jù)集進(jìn)行k-means分割等預(yù)處理方法簡(jiǎn)化突出數(shù)據(jù)特征，根據(jù)處理后的數(shù)據(jù)特點(diǎn)改進(jìn)遷移的VGG16模型，構(gòu)建識(shí)別遷移學(xué)習(xí)模型識(shí)別番茄病害，最后通過試驗(yàn)，驗(yàn)證了本方法的有效性。

1 圖像數(shù)據(jù)集

本研究采用公開數(shù)據(jù)集AI Challenger 2018 所提供的11 494張馬鈴薯病理圖像作為數(shù)據(jù)集，此數(shù)據(jù)集共包含9類病害圖像（白粉病、早疫病、晚疫病、葉霉病、斑點(diǎn)病、斑枯病、紅蜘蛛損傷、黃花曲葉病病毒、花葉病病毒）和1種健康圖像（圖1）。

2 數(shù)據(jù)預(yù)處理

為了減小背景、光照等其他干擾因素的影響，首先對(duì)原始圖像進(jìn)行去噪，再對(duì)圖像進(jìn)行分割，選取葉片的最小矩陣區(qū)域，簡(jiǎn)化突出圖像的特征，便于神經(jīng)網(wǎng)絡(luò)模型能夠更加準(zhǔn)確的對(duì)葉片病理特征進(jìn)行識(shí)別。圖像預(yù)處理的整體流程如圖2所示。

2.1 去噪和k-means分割

由于原始圖像中有些斑點(diǎn)狀的噪聲，為了減少這些噪聲對(duì)選取葉片邊界的影響，使用高斯濾波對(duì)圖像進(jìn)行去噪。本研究主要采用的高斯核是3×3的高斯核：

116121

242

121

由于高斯核中的數(shù)值滿足高斯分布，所以更加重視中心的像素點(diǎn)，能在好的去噪情況下，將特征更好地顯現(xiàn)出來（圖3）。

k-means算法：先從樣本集中隨機(jī)選取K個(gè)樣本作為簇中心，并計(jì)算所有樣本與這K個(gè)簇中心的距離，對(duì)于每一個(gè)樣本，將其劃分到與其距離最近的簇中心所在的簇中，對(duì)于新的簇計(jì)算各個(gè)簇的新的簇中心。對(duì)于圖像數(shù)據(jù)而言，可將圖像的像素值進(jìn)行聚類，顏色即像素值相近的像素會(huì)形成一類。

根據(jù)聚類中心，將所有樣本點(diǎn)分為最相似的類別。這需要一個(gè)有效的盤踞，平方差是最常用的度量方式，如下：

c（i）=minj‖x（i）-μj‖;（1）

μj=1|ci|∑X∈ciX。（2）

式中：x（i）為像素點(diǎn)，i=1，2，…，n，共n個(gè)像素點(diǎn);c（i）為x（i）最相似的類別，即x（i）被分至該類，j=1，2，…，K，共K個(gè)類別。

通過k-means聚類算法，將相同像素值聚為一類，聚類后結(jié)果如圖4所示。

根據(jù)聚類后的圖像，發(fā)現(xiàn)前景的像素值更低，為了更好地區(qū)分前后景，之后將聚類后圖像進(jìn)行閾值處理（圖5）。

由于閾值處理后有些背景也被算法當(dāng)成是葉片的邊界，所以先通過中值去噪的方法將圖像中的干擾因素降低，再通過形態(tài)學(xué)操作將背景中的干擾因子去除，使得葉片的邊界能清晰地顯現(xiàn)（圖6）。

此時(shí)，背景部分就沒有干擾因素對(duì)葉片的邊界發(fā)生干擾了，然后筆者所在課題組通過OPENCV中的FindContours函數(shù)找到葉片的最小外界矩陣。通過最小外界矩陣對(duì)原彩色圖像進(jìn)行分割，截圖到葉片區(qū)域，減少了背景對(duì)葉片特征提取的干擾。截取結(jié)果如圖7所示。

由于神經(jīng)網(wǎng)絡(luò)的輸入圖像大小一般為256×256且為了防止出現(xiàn)模型過擬合，將分割后像素值小于256的圖像進(jìn)行像素值重新調(diào)整操作，使圖像的像素值大于或等于256。

2.2 數(shù)據(jù)增強(qiáng)

卷積神經(jīng)網(wǎng)絡(luò)可能會(huì)由于數(shù)據(jù)不足存在過擬合問題，過擬合使模型泛化能力變差，不能很好地運(yùn)用在新的數(shù)據(jù)集檢測(cè)上，為了防止出現(xiàn)過擬合問題，本研究采取數(shù)據(jù)增強(qiáng)的方法來防止模型過擬合。將分割后的圖片進(jìn)行隨機(jī)旋轉(zhuǎn)、平移、加光照、人工加噪和鏡像等操作對(duì)圖像數(shù)據(jù)進(jìn)行增強(qiáng)。使得神經(jīng)網(wǎng)絡(luò)能更好和更多地學(xué)習(xí)到數(shù)據(jù)特征。為了作比較，本研究將原圖像數(shù)據(jù)集進(jìn)行同樣的數(shù)據(jù)增強(qiáng)操作，以此來與分割后再增強(qiáng)的數(shù)據(jù)集作對(duì)比。將11 494張?jiān)紙D像增強(qiáng)到24 551張圖片，按照 9 ∶1 的比例劃分訓(xùn)練集和測(cè)試集。

3 遷移學(xué)習(xí)模型

3.1 遷移學(xué)習(xí)

近幾年，遷移學(xué)習(xí)[10]逐漸成為深度學(xué)習(xí)中的一個(gè)熱門領(lǐng)域。由于從頭訓(xùn)練一個(gè)新的高性能的卷積神經(jīng)網(wǎng)絡(luò)所需要耗費(fèi)的時(shí)間很長(zhǎng)，而且需要大量的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，過程顯得十分漫長(zhǎng)。在實(shí)際應(yīng)用中往往擁有的數(shù)據(jù)無法對(duì)一個(gè)全新的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，但又想利用深度學(xué)習(xí)的高性能分析能力，所以遷移學(xué)習(xí)應(yīng)運(yùn)而生。遷移學(xué)習(xí)是運(yùn)用已有的知識(shí)對(duì)不同相關(guān)領(lǐng)域問題進(jìn)行求解的一種機(jī)器學(xué)習(xí)方法，其目標(biāo)是完成知識(shí)在相關(guān)領(lǐng)域之間的遷移[11-13]。本研究利用遷移預(yù)訓(xùn)練網(wǎng)絡(luò)模型的方法進(jìn)行試驗(yàn)[這些預(yù)訓(xùn)練模型已在大型數(shù)據(jù)集（ImageNet）大賽上訓(xùn)練好，具有很強(qiáng)的魯棒性和泛化能力][14]。本研究遷移的是VGG16網(wǎng)絡(luò)模型，VGG16是由牛津大學(xué)計(jì)算機(jī)視覺組開發(fā)的一個(gè)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，至今仍被認(rèn)為是一個(gè)具有較強(qiáng)性能的圖像識(shí)別模型，該網(wǎng)絡(luò)主要特點(diǎn)是網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單并且易于實(shí)現(xiàn)，使得其具有研究?jī)r(jià)值。

VGG網(wǎng)絡(luò)中通過堆疊2個(gè)3×3的卷積核替代5×5的卷積核，堆疊3個(gè)3×3的卷積核替代7×7的卷積核，一方面減少了參數(shù)的數(shù)量，另一方面通過這種方法進(jìn)行了更多的非線性映射，提高了模型的擬合能力。

3.2 模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)直接用原始圖像的全部像素作為輸入，進(jìn)行卷積池化等操作，找尋使特征表達(dá)最優(yōu)的參數(shù)。結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的知識(shí)，卷積神經(jīng)網(wǎng)絡(luò)的前幾層主要提取圖像的邊框特征[15]，研究圖像經(jīng)過VGG16神經(jīng)網(wǎng)絡(luò)每卷積模塊后的特征圖（圖8）。

通過特征圖的觀察，發(fā)現(xiàn)經(jīng)過第1個(gè)卷積層模塊后的圖像，背景部分還比較清晰，下一次卷積層模塊還會(huì)繼續(xù)提取圖像背景的特征，但隨著卷積模塊的深入，所提取的特征更傾向于葉片的特征。由于遷移學(xué)習(xí)遷移的是網(wǎng)絡(luò)的權(quán)重，對(duì)于提取圖片邊緣特征的卷積層模塊，可以凍結(jié)模塊的權(quán)重，對(duì)于提取圖像內(nèi)部關(guān)鍵特征的卷積層模塊，可以重新訓(xùn)練權(quán)值。首先筆者所在課題組對(duì)遷移的VGG16模型進(jìn)行微調(diào)，將在Image數(shù)據(jù)集上訓(xùn)練好的VGG16網(wǎng)絡(luò)模型進(jìn)行遷移，然后對(duì)其全連接層進(jìn)行修改，并在最后一層后接上一個(gè)改進(jìn)的softmax邏輯分類器[16]。

然后，在修改后的VGG16網(wǎng)絡(luò)結(jié)構(gòu)（圖9）中，凍結(jié)第1個(gè)卷積層模塊的權(quán)重[17]，訓(xùn)練剩下卷積層模塊的權(quán)重，讓模型能更好地對(duì)圖像的核心特征進(jìn)行提取，減少一些邊緣特征對(duì)最后準(zhǔn)確率的影響。

4 試驗(yàn)與結(jié)果分析

4.1 試驗(yàn)環(huán)境

本試驗(yàn)均在Window10中實(shí)現(xiàn)，運(yùn)行環(huán)境是Jupyter Notebook，使用開源深度學(xué)習(xí)框架Pytorch作為開發(fā)環(huán)境，設(shè)置初始學(xué)習(xí)率為0.001，并隨著網(wǎng)絡(luò)的收斂程度進(jìn)行下降，使用Adam優(yōu)化器對(duì)網(wǎng)絡(luò)的評(píng)估和參數(shù)進(jìn)行優(yōu)化[18-20]。試驗(yàn)過程中采用NIVIDIA GTX2060GPU對(duì)模型訓(xùn)練進(jìn)行加速，存儲(chǔ)采用 16 G 的內(nèi)存，CPU采用i5-10400F。

4.2 試驗(yàn)方法與結(jié)果

本研究主要設(shè)置了4組試驗(yàn)，比較普通數(shù)據(jù)增強(qiáng)和使用k-means分割后的數(shù)據(jù)增強(qiáng)的識(shí)別率以及只修改訓(xùn)練全連接層和凍結(jié)1個(gè)模塊訓(xùn)練剩下模塊的識(shí)別率。首先設(shè)置試驗(yàn)1，比較使用k-means分割和未使用k-means分割進(jìn)行數(shù)據(jù)增強(qiáng)后兩者的差異，同時(shí)設(shè)置一個(gè)未使用任何數(shù)據(jù)增強(qiáng)用來做對(duì)照。結(jié)果見表1。

其中Data1表示普通數(shù)據(jù)增強(qiáng)，Data2表示先對(duì)原有圖像進(jìn)行k-means分割后，再進(jìn)行數(shù)據(jù)增強(qiáng)，Data3表示未進(jìn)行任何數(shù)據(jù)增強(qiáng)。

表1結(jié)果顯示，使用k-means分割后的識(shí)別率和損失值都要優(yōu)于使用k-means分割。在識(shí)別率上提升了0.37百分點(diǎn)。同時(shí)可以看出，使用任何方式的數(shù)據(jù)增強(qiáng)都要比不做數(shù)據(jù)增強(qiáng)的方法識(shí)別率高。使用通過k-means分割后再增強(qiáng)的數(shù)據(jù)集比較只訓(xùn)練全連接層和凍結(jié)第1個(gè)模塊訓(xùn)練其他模塊的識(shí)別率，結(jié)果見表2。

其中VGG16表示凍結(jié)全部卷積層，只訓(xùn)練全連接層，N-VGG16表示凍結(jié)第1個(gè)卷積層模塊，訓(xùn)練其他層，A-VGG16表示重新開始訓(xùn)練一個(gè)新的VGG16模型。訓(xùn)練過程中只訓(xùn)練全連接層和凍結(jié)第1個(gè)模塊訓(xùn)練其他模塊的準(zhǔn)確率變化曲線如圖10所示。

由表2和圖10可以看出，迭代訓(xùn)練10次后，凍結(jié)卷積層訓(xùn)練全連接層和凍結(jié)第1個(gè)卷積層模塊訓(xùn)練其他層的準(zhǔn)確率均逐漸趨于穩(wěn)定，且凍結(jié)第1個(gè)卷積層模塊訓(xùn)練其他層準(zhǔn)確率均優(yōu)于只訓(xùn)練全連接層的VGG16網(wǎng)絡(luò)，說明本研究通過凍結(jié)第1個(gè)模塊訓(xùn)練其他模塊的方法有效提升了網(wǎng)絡(luò)的性能;訓(xùn)練完成后，凍結(jié)第1個(gè)模塊訓(xùn)練其他模塊在驗(yàn)證集上的準(zhǔn)確率為97.92%，相比只訓(xùn)練全連接層提高了約4%。

5 結(jié)論

本研究提出一種將圖像預(yù)處理與遷移學(xué)習(xí)相結(jié)合的方法，實(shí)現(xiàn)了對(duì)番茄病理的有效識(shí)別。

對(duì)于獲取的原始圖像，首先通過k-means分割、去噪等預(yù)處理操作簡(jiǎn)化突出其特征，再根據(jù)預(yù)處理后的圖像特點(diǎn)對(duì)遷移的VGG16網(wǎng)絡(luò)做出微調(diào)，并凍結(jié)第1個(gè)模塊的權(quán)重，提升網(wǎng)絡(luò)性能，構(gòu)建改進(jìn)遷移學(xué)習(xí)模型對(duì)番茄病理進(jìn)行識(shí)別。

試驗(yàn)結(jié)果表明，本研究的方法對(duì)番茄病理的識(shí)別效果較好，并通過數(shù)據(jù)增強(qiáng)的方式，使其擁有較好的魯棒性?？蔀楹罄m(xù)研發(fā)番茄病理識(shí)別程序提供技術(shù)支持。下一步工作考慮如何提高對(duì)批量圖像數(shù)據(jù)進(jìn)行分割時(shí)，能較好地滿足所有圖片的需求，達(dá)到精準(zhǔn)分割，并且能減少一些干擾因素如背景和前景相似時(shí)，能更好地對(duì)背景前景進(jìn)行分割。

參考文獻(xiàn)：

[1]Tai A P K，Martin M V，Heald C L. Threat to future global food security from climate change and ozone air pollution[J]. Nature Climate Change，2014，4（9）：817-821.

[2]姜玉英，劉萬才，黃 沖，等. 2020 年全國(guó)農(nóng)作物重大病蟲害發(fā)生趨勢(shì)預(yù)報(bào)[J]. 中國(guó)植保導(dǎo)刊，2020，40（2）：37-39.

[3]張 琦，張榮梅，陳 彬. 基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)研究綜述[J]. 河北省科學(xué)院學(xué)報(bào)，2019，36（3）：28-36.

[4]Swietojanski P，Ghoshal A，Renals S. Convolutional neural networks for distant speech recognition[J]. IEEE Signal Processing Letters，2014，21（9）：1120-1124.

[5]田海韜，趙 軍，蒲富鵬. 馬鈴薯芽眼圖像的分割與定位方法[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2016，28（11）：1947-1953.

[6]郭小清，范濤杰，舒 欣. 基于圖像融合特征的番茄葉部病害的識(shí)別[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，45（2）：212-217，224.

[7]曾偉輝，李 淼，張 健，等. 面向農(nóng)作物病害識(shí)別的高階殘差卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2019，49（10）：781-790.

[8]張建華，孔繁濤，吳建寨，等. 基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別模型[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，23（11）：161-171.

[9]Lee S H，Chan C S，Mayo S J，et al. How deep learing extracts and learns leaf features for plant classification[J]. Pattren Recognition，2017，71：1-13.

[10]余小東，楊孟輯，張海清，等. 基于遷移學(xué)習(xí)的農(nóng)作物病蟲害檢測(cè)方法研究與應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（10）：252-258.

[11]Tan C，Sun F，Kong T，et al. A survey on deep transfer learning[C]//27 International Conference on Artificial Neural Networks and Machine Learning-ICANN 2018. Rhodes，Greece，2018：270-279.

[12]閆壯壯，閆學(xué)慧，石 嘉，等. 基于深度學(xué)習(xí)的大豆豆莢類別識(shí)別研究[J]. 作物學(xué)報(bào)，2020，46（11）：1771-1779.

[13]劉嘉政. 基于深度遷移學(xué)習(xí)模型的花卉種類識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（20）：231-236.

[14]龍明盛. 遷移學(xué)習(xí)問題與方法研究[D]. 北京：清華大學(xué)，2014：34-89.

[15]Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks[M]. Hinton E. Communications of the ACM，2017：6

[16]Jang Y H，Lee H，Hwang S J，et al. Learning what and where to transfer[C]. Proceeding of the 36th International Conference on Machine Learning，2019：3030-3039.

[17]白 潔，張金松，劉倩宇. 基于卷積網(wǎng)絡(luò)特征遷移的小樣本物體圖像識(shí)別[J]. 計(jì)算機(jī)仿真，2020，37（5）：311-316.

[18]Huang G，Liu Z，Maaten L D，et al. Densely connected convolutional networks[C]//IEEE Conference on Computer Vision and Pattern Recognition.Hawaii，USA，2017：2261-2269.

[19]趙建敏，李 艷，李 琦，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯葉片病害識(shí)別系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（24）：251-255.

[20]梁萬杰，曹宏鑫. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（20）：241-243，253.