基于ResNet模型的玉米葉片病害檢測與識別

熊夢園 詹煒 桂連友 劉虎 王佩文 韓濤 李偉豪 孫泳

摘要：針對當(dāng)前玉米病害發(fā)生量大、病情復(fù)雜、難以防治，嚴(yán)重影響玉米產(chǎn)量和質(zhì)量的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的玉米葉片病害檢測與識別方法。首先收集了3 827張玉米健康葉片圖像和3種不同的玉米病害葉片圖像樣本，為了使模型擁有更好的泛化能力，使用生成對抗網(wǎng)絡(luò)對樣本進(jìn)行處理，得到分辨率更高的樣本，再對樣本進(jìn)行平移旋轉(zhuǎn)，使樣本數(shù)量達(dá)到5 153張。然后構(gòu)建ResNet模型，分別對ResNet34、ResNet50及對其添加CBAM注意力機(jī)制和FPN特征金字塔網(wǎng)絡(luò)，并通過遷移學(xué)習(xí)方法將預(yù)訓(xùn)練權(quán)重遷移到訓(xùn)練模型中。試驗結(jié)果表明，ResNet50結(jié)合CBAM注意力機(jī)制模型的準(zhǔn)確率達(dá)到了97.5%，相比ResNet50模型準(zhǔn)確率提升了4.2百分點，相比ResNet34模型準(zhǔn)確率提升了4.9百分點。本研究表明，提出的ResNet50結(jié)合CBAM注意力機(jī)制模型能夠較精準(zhǔn)地檢測識別玉米枯萎葉、銹病葉、灰斑病葉和健康葉。并可將模型安裝在無人機(jī)等移動設(shè)備上，實現(xiàn)對玉米葉片病害智能化防治，而且后期還會擴(kuò)充更多的植物病害數(shù)據(jù)，實現(xiàn)對多類植物病害的檢測，為智慧農(nóng)業(yè)添磚加瓦，促進(jìn)農(nóng)業(yè)防治現(xiàn)代化。

關(guān)鍵詞：玉米病害識別；ResNet；CBAM注意力機(jī)制；智慧農(nóng)業(yè)；計算機(jī)視覺

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2023）08-0164-07

基金項目：國家自然科學(xué)基金面上項目（編號：31772206、31972274）；中國高校產(chǎn)學(xué)研創(chuàng)新基金新一代信息技術(shù)創(chuàng)新項目（編號：2020ITA03012）。

作者簡介：熊夢園 （1998—），男，湖北枝江人，碩士，主要從事計算機(jī)視覺技術(shù)應(yīng)用研究。E-mail：2021710574@yangtzeu.edu.cn。

通信作者：詹 煒，博士，教授，主要從事計算機(jī)視覺技術(shù)應(yīng)用研究。E-mail：zhanwei814@yangtzeu.edu.cn。

玉米作為我國糧食種植的重要部分，種植面積最大，總產(chǎn)最多，是重要的飼料和工業(yè)原料，對保障我國糧食安全具有重要戰(zhàn)略作用，因而玉米病害防治也尤為重要。玉米病害主要發(fā)生在葉片，如果在大面積種植地通過肉眼去觀察病害，或者通過以往種植經(jīng)驗盲目采取防治措施，不僅不能清楚地把握病情，而且會造成防治成本大量浪費(fèi)［1-3］。

隨著人工智能和計算機(jī)視覺技術(shù)的不斷發(fā)展，迎來了智慧農(nóng)業(yè)時代，植物病害檢測方法已由傳統(tǒng)人工觀察方法向深度學(xué)習(xí)檢測方法過渡。傳統(tǒng)方法需要提取病害紋理、顏色特征［4］，或是用肉眼直接觀察，這樣效率和準(zhǔn)確度都不高，難以真正投入應(yīng)用，而深度學(xué)習(xí)檢測方法，能夠高效準(zhǔn)確地檢測植物病害情況。在卷積神經(jīng)網(wǎng)絡(luò)的研究開始之前，全連接神經(jīng)網(wǎng)絡(luò)被廣泛用于圖像處理，但是由于全連接神經(jīng)網(wǎng)絡(luò)的參數(shù)多，因此網(wǎng)絡(luò)模型較大，運(yùn)算速度往往達(dá)不到實時要求，而且容易產(chǎn)生過擬合現(xiàn)象，隨著數(shù)值計算效率得到巨大提升，卷積神經(jīng)網(wǎng)絡(luò)處理數(shù)字圖像數(shù)據(jù)的巨大潛能被充分發(fā)現(xiàn)挖掘［5-7］。如陶國柱提出了一種基于改進(jìn)MobileNetV2的茉莉花病害識別網(wǎng)絡(luò)模型，在兼顧速度的同時，精度達(dá)到了94.34%［8］。劉君等提出了一種基于YOLO卷積神經(jīng)網(wǎng)絡(luò)的番茄病害識算法，對8類番茄病害的平均檢測精度達(dá)到了85.09%［9］。戴子兵提出了基于改進(jìn)U-Net的水稻病害檢測方法［10］。郭利進(jìn)等提出一種改良的LeNet深度卷積神經(jīng)網(wǎng)絡(luò)用于玉米葉部病害識別和分類，平均準(zhǔn)確率達(dá)到了95.39%［11］。上述網(wǎng)絡(luò)雖然能夠在復(fù)雜的環(huán)境中取得不錯的效果，但是精度還有很大的提升空間。

本研究基于PyTorch框架及ResNet模型，對玉米葉片病害數(shù)據(jù)集進(jìn)行識別分類，并將改進(jìn)算法與其他網(wǎng)絡(luò)模型方法進(jìn)行對比，可將訓(xùn)練好的模型安裝在無人機(jī)上，對玉米病害進(jìn)行實時檢測和針對性防治。

1 材料與方法

1.1 數(shù)據(jù)來源

試驗數(shù)據(jù)主要收集了3 827張玉米葉病害圖片。分別是枯萎病葉、銹病葉、灰斑病葉和健康葉，樣圖如圖1所示。

1.2 數(shù)據(jù)預(yù)處理

由于各類病害樣本數(shù)不是十分充足，為了防止模型過擬合，能夠有更好的訓(xùn)練效果，因此在訓(xùn)練之前通過生成對抗網(wǎng)絡(luò)對樣本進(jìn)行處理，使得到的新樣本分辨率更高，并且對生成對抗網(wǎng)絡(luò)處理得到的樣本平移和旋轉(zhuǎn)，使樣本圖片擴(kuò)充到了5 153張，如圖2 圖像預(yù)處理所示。

1.3 方法

1.3.1 網(wǎng)絡(luò)模型

本研究采用的網(wǎng)絡(luò)模型是ResNet50，通過殘差模塊在增加模型深度的同時防止梯度消失［12］，為了提高模型的精準(zhǔn)度，在ResNet50的每一層上添加了CBAM注意力模塊，在空間和通道2個不同的維度上添加注意力，然后與輸入的特征映射相乘，對玉米葉片病害特征圖進(jìn)行特征提取［13］。本研究整體方案如圖3所示，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

1.3.2 殘差結(jié)構(gòu)

ResNet在2015年由何愷明等提出，并且該網(wǎng)絡(luò)在多個比賽中獲得了不錯的成績，ResNet網(wǎng)絡(luò)中提出的殘差結(jié)構(gòu)在如今應(yīng)用越來越廣泛。深度卷積網(wǎng)絡(luò)在圖像分類上取得了很大的成功，例如LeNet、VGGnet和GoogLeNet都通過增加網(wǎng)絡(luò)深度，取得了較好的性能。但是后面發(fā)現(xiàn)，隨著網(wǎng)絡(luò)的加深，會出現(xiàn)梯度消失或者梯度爆炸，反而會導(dǎo)致準(zhǔn)確率下降，而ResNet就可以解決這一問題，ResNet學(xué)習(xí)的是殘差函數(shù)G（x）= F（x）-x，當(dāng)G（x）=0時，F(xiàn)（x）=x，就是恒等映射。而ResNet沒有加入其他的計算復(fù)雜度和參數(shù)，當(dāng)優(yōu)化目標(biāo)無限接近恒等映射時，相比學(xué)習(xí)一個新的映射函數(shù)，學(xué)習(xí)找到對恒等映射的干擾會更加簡單。完成這一功能的就是如圖5所示的殘差塊結(jié)構(gòu)，圖5-a是用于50層以下網(wǎng)絡(luò)的結(jié)構(gòu)，圖5-b是用于50層及更高層網(wǎng)絡(luò)的結(jié)構(gòu)。

隨著網(wǎng)絡(luò)層數(shù)的增加，計算量會大量增加，為了解決這個問題，對殘差塊做了計算優(yōu)化，即將圖 5-a 中2個3×3的卷積層替換為1×1+3×3+1×1。圖5-b中3×3的卷積層首先在一個降維 1×1 卷積層下減少了計算，然后在另一個1×1的卷積層下做了還原，既保持了精度又減少了計算量。

1.3.3 CBAM注意力機(jī)制

注意力機(jī)制類似人的注意力，通過觀察目標(biāo)所有特征，得到比較重要的目標(biāo)特征，然后投入更多的注意力資源，獲取更多更詳細(xì)的信息，減少甚至忽略對其他特征的關(guān)注。即當(dāng)模型計算能力一定時，注意力機(jī)制可以將算力分配到需要注意的特征上，這樣就可以更好地學(xué)習(xí)特征，并且可以減少資源浪費(fèi)。CBAM結(jié)合了通道注意力模塊和空間注意力模塊，分別在通道和空間位置上設(shè)置注意力機(jī)制，并且合并起來對特征進(jìn)行優(yōu)化，其結(jié)構(gòu)如圖6所示。通道注意力模塊關(guān)注輸入圖像中有意義的內(nèi)容，空間注意力模塊專注信息的位置，這2個注意力模塊可以按照并行或不同順序串行連接［14-15］。

通道注意力機(jī)制輸入特征是H×W×C，經(jīng)過最大池化和平均池化可以得到2個1×1×C的特征圖，然后通過全連接神經(jīng)網(wǎng)絡(luò)，再與權(quán)重系數(shù)相乘，其結(jié)構(gòu)如圖7所示。通道注意力機(jī)制可以表達(dá)為：

空間注意力機(jī)制將輸入的特征圖分別進(jìn)行最大池化和平均池化，得到2個H×W×1，然后拼接起來得到H×W×2的特征圖，再經(jīng)過卷積核為 7×7的卷積降為1通道，然后再通過Sigmoid函數(shù)生成空間權(quán)重系數(shù)，其結(jié)構(gòu)如圖8所示，表達(dá)式如下：

由于CBAM是輕量級模塊，將其運(yùn)用到ResNet網(wǎng)絡(luò)中，在保留圖像信息并提升小樣本玉米病害識別準(zhǔn)確率的同時 不會增加過多的網(wǎng)絡(luò)參數(shù)。玉米

病害圖像特征經(jīng)過CBAM處理后，輸出更具病害本質(zhì)特性的精細(xì)特征。

1.3.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一項允許對現(xiàn)有模型算法進(jìn)行微調(diào)，以應(yīng)用于新領(lǐng)域或新功能的技術(shù)。遷移學(xué)習(xí)中可以將數(shù)據(jù)分成源數(shù)據(jù)和目標(biāo)數(shù)據(jù)。源數(shù)據(jù)是與本項目無直接關(guān)系的數(shù)據(jù)，通常具有較大的數(shù)據(jù)集，目標(biāo)數(shù)據(jù)是與任務(wù)直接相關(guān)的數(shù)據(jù)，數(shù)據(jù)量一般較小。其主要思想是從其他相關(guān)領(lǐng)域中遷移標(biāo)注數(shù)據(jù)或模型結(jié)構(gòu) 運(yùn)用到現(xiàn)有的模型中加以改進(jìn)，完成目標(biāo)域的任務(wù)［16］。遷移學(xué)習(xí)改變了傳統(tǒng)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的固有模式，增加了使用其他域進(jìn)行預(yù)訓(xùn)練的步驟，降低了資源損耗，提高了訓(xùn)練效率［17］。本項目導(dǎo)入ResNet50在其他域數(shù)據(jù)上的預(yù)訓(xùn)練模型，然后對玉米病害分類模型進(jìn)行訓(xùn)練。如圖9所示，其中微調(diào)的卷積層和模型的修改都會影響遷移訓(xùn)練的結(jié)果。

1.3.5 學(xué)習(xí)率

在訓(xùn)練過程中，學(xué)習(xí)率表示網(wǎng)絡(luò)參數(shù)在每次迭代時改變的幅度。當(dāng)學(xué)習(xí)率過大時，損失函數(shù)會產(chǎn)生震蕩而不收斂，當(dāng)學(xué)習(xí)率過小時，損失函數(shù)收斂速度慢。因此在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，需要不斷調(diào)整網(wǎng)絡(luò)的參數(shù)以使模型達(dá)到更好的預(yù)測效果，其中參數(shù)更新的公式如下：

試驗中嘗試了指數(shù)衰減、余弦退火和余弦退火重啟機(jī)制，最終發(fā)現(xiàn)余弦退火學(xué)習(xí)率收斂更快，精確度更高，更適合本試驗。

2 結(jié)果與分析

2.1 試驗條件

所有試驗均使用同一平臺，使用的計算機(jī)設(shè)備的處理器為 Intel CoreTM i9-9900K CPU @ 3.60 GHz，顯卡是NVIDIA GeForce RTX 2080Ti，顯存為12 G。用到的軟件開發(fā)環(huán)境為Windows10企業(yè)版操作系統(tǒng)，Python環(huán)境為3.7，Cuda 10.0，深度學(xué)習(xí)框架為Pytorch 1.7.1。

2.2 評價指標(biāo)

為了能夠比較全面地評價模型的性能，筆者所在課題組將從準(zhǔn)確率（A）、損失值（L）、預(yù)測時間（T）和模型大?。∕）4個指標(biāo)評價模型。準(zhǔn)確率［19］反映的是識別結(jié)果中識別正確的圖像數(shù)量占全部識別圖像數(shù)量的比率，可以反映模型的訓(xùn)練結(jié)果，表達(dá)式如下：

其中，TP指實際是正類且預(yù)測為正類的樣本數(shù)量，F(xiàn)P指實際為負(fù)類但預(yù)測為正類的樣本數(shù)量。

損失值可以描述模型所預(yù)測的值與其真實值的差距，損失值越小，表明模型越準(zhǔn)確。本模型采用的是交叉熵?fù)p失函數(shù)，它在作分類訓(xùn)練時是非常有用的。交叉熵主要描述的是實際值與期望值的距離，即交叉熵的值越小，這2個值就越接近。假設(shè)概率分布p為期望輸出，概率分布q為實際輸出，H（p，q） 為交叉熵，則

訓(xùn)練時間也是評價模型優(yōu)良程度的一方面，因為訓(xùn)練時間更短，可以提高模型使用效率。而且在后期拓展到檢測其他植物病害時，會投入大量時間去訓(xùn)練模型，訓(xùn)練時間短就可以節(jié)省大量時間。另外就是檢測每一張圖片的速度，這關(guān)系到網(wǎng)絡(luò)模型是否具有較好的效率和時效性，能否真正投入到實際運(yùn)用中。因為將模型裝載到無人機(jī)上進(jìn)行實時檢測識別并噴灑農(nóng)藥時，需要及時識別到玉米葉和具體病害，然后針對性噴灑農(nóng)藥。

模型大小在這里是指模型所占存儲空間和每一次訓(xùn)練所占用的存儲空間大小，如果模型太大，設(shè)備內(nèi)存小，也不能完整使用。

2.3 試驗結(jié)果

通過基于ResNet50網(wǎng)絡(luò)加入CBAM注意力的模型，將預(yù)處理的數(shù)據(jù)集劃分成80%訓(xùn)練集和20%驗證集，將模型迭代訓(xùn)練500次，最終蟲病害分類識別率達(dá)到了97.5%，測試樣圖如圖10所示。訓(xùn)練過程中準(zhǔn)確率、損失值和學(xué)習(xí)率的變化如圖11所示。

為了使試驗更具科學(xué)性和合理性，在試驗過程中增加了消融試驗，在控制變量的情況下，分別對網(wǎng)絡(luò)、改進(jìn)方法、數(shù)據(jù)集處理3項進(jìn)行調(diào)整，得到的結(jié)果如表1所示。

2.4 分析

為了尋求更精確的試驗結(jié)果，由于銹病和灰斑病都是小目標(biāo)，因此嘗試了ResNet+FPN結(jié)構(gòu)［20］。小目標(biāo)檢測是語義分割和目標(biāo)檢測任務(wù)中經(jīng)常遇到的難題。當(dāng)目標(biāo)非常小時，例如玉米灰斑病和銹病的一個斑點才幾十個像素，卷積網(wǎng)絡(luò)在實現(xiàn)卷積操作時，從一個特征層到下一個特征層，無論步長是大還是小，卷積核都會占滿整個圖片。然而大目標(biāo)所占的像素會遠(yuǎn)大于小目標(biāo)，因此大目標(biāo)就會被卷積很多次，所以就會學(xué)習(xí)到很多關(guān)于大目標(biāo)的特征，而小目標(biāo)很容易被卷積操作跳過，因此學(xué)習(xí)到的小目標(biāo)特征就會很少，經(jīng)過很多層的卷積之后，小目標(biāo)的特征就會越來越少。如圖12所示，F(xiàn)PN的提出是為了實現(xiàn)更好的特征圖融合，一般的網(wǎng)絡(luò)都是直接使用最后一層的特征圖，雖然最后一層的特征圖語義強(qiáng)，但是位置和分辨率都比較低，容易檢測不到比較小的物體。FPN［21］通過自上向下的路徑及橫向連接將分辨率低但語義強(qiáng)的圖像上層特征和語義弱但分辨率高的圖像下層特征進(jìn)行融合，進(jìn)而將玉米葉片病害圖像的語義信息和空間信息相結(jié)合，使得神經(jīng)網(wǎng)絡(luò)對于特征的檢測性能有了很大的提升。但是通過實踐來看，特征金字塔計算量特別大，運(yùn)行起來也很慢，并且準(zhǔn)確率也只有85%，該方法在準(zhǔn)確度、訓(xùn)練時間和對機(jī)器性能要求上都不太符合本次項目需求，因此綜合來看還是ResNet50+CBAM更符合需求。

3 結(jié)論

針對目前玉米病害泛濫、受災(zāi)損失大的問題，為了能夠精準(zhǔn)噴灑農(nóng)藥，高效防治，降低污染，本研究采用ResNet50+CBAM注意力機(jī)制的方法，對玉米3種常見且難以防治的病害和健康葉片進(jìn)行識別研究。模型將ResNet50網(wǎng)絡(luò)每一層融入CBAM注意力機(jī)制，更有利于網(wǎng)絡(luò)學(xué)習(xí)到病害特征，平均識別精度達(dá)到了97.5%，相比ResNet50模型準(zhǔn)確率提升了4.2百分點，相比ResNet34模型準(zhǔn)確率提升了4.9百分點。

在其他條件相同的情況下，本研究比較了ResNet34、ResNet50、ResNet50+CBAM和ResNet50+FPN方法，證實了ResNet50+CBAM方法在準(zhǔn)確率和速度2個方面綜合實力最強(qiáng)。同時，也探究了不同大小的數(shù)據(jù)集對不同模型性能的影響，并且還探究了不同優(yōu)化算法和學(xué)習(xí)率對模型收斂速度和準(zhǔn)確率的影響。研究結(jié)果表明，遷移學(xué)習(xí)技術(shù)能在一定程度上加快模型收斂速度；隨著數(shù)據(jù)集的擴(kuò)充增強(qiáng)，試驗數(shù)據(jù)更加準(zhǔn)確；余弦退火學(xué)習(xí)率效果最好，準(zhǔn)確率最高，模型收斂速度也較快［22-24］。

在后期投入使用中，還將不斷完善模型，而且計劃將更多植物病害數(shù)據(jù)導(dǎo)入模型訓(xùn)練，得到可以檢測多類植物病害的模型，這樣可以更好地投入到生產(chǎn)實踐中，節(jié)省人力物力，提高生產(chǎn)量，為智慧農(nóng)業(yè)添磚加瓦［25-26］。

參考文獻(xiàn)：

［1］張會敏，謝澤奇，張善文. 基于注意力膠囊網(wǎng)絡(luò)的作物病害識別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：101-106.

［2］李 彧，余心杰，郭俊先. 基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：93-100.

［3］劉翱宇，吳云志，朱小寧，等. 基于深度殘差網(wǎng)絡(luò)的玉米病害識別［J］. 江蘇農(nóng)業(yè)學(xué)報，2021，37（1）：67-74.

［4］萬軍杰，祁力鈞，盧中奧，等. 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識別與分級［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報，2021，26（11）：209-221.

［5］曾偉輝，唐 欣，胡根生，等. 基于卷積塊注意力膠囊網(wǎng)絡(luò)的小樣本水稻害蟲識別［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報，2022，27（3）：63-74.

［6］張軍鋒，尚展壘. 基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的花生籽粒完整性檢測［J］. 食品與機(jī)械，2022，38（5）：24-29，36.

［7］戴澤翰，鄭 正，黃莉舒，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病癥狀識別［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報，2020，41（4）：111-119.

［8］陶國柱. 基于卷積神經(jīng)網(wǎng)絡(luò)的茉莉花病蟲害識別算法研究［D］. 南寧：廣西民族大學(xué)，2021：1-16.

［9］劉 君，王學(xué)偉. 基于YOLO的番茄病蟲害識別算法［J］. 中國瓜菜，2020，33（9）：18-22，38.

［10］戴子兵. 基于語義分割的水稻病害檢測技術(shù)［D］. 成都：西華大學(xué)，2020：1-25.

［11］郭利進(jìn)，李 言. 基于DCNN的玉米葉部病害識別方法［J］. 糧食與油脂，2022，35（3）：72-75，98.

［12］王海燕，張 渺，劉虎林，等. 基于改進(jìn)的ResNet網(wǎng)絡(luò)的中餐圖像識別方法［J］. 陜西科技大學(xué)學(xué)報，2022，40（1）：154-160.

［13］肖成勇，李 擎，王 莉，等. 基于CBAM-Unet的鐵礦球團(tuán)邊緣分割實驗方法［J］. 燒結(jié)球團(tuán)，2022，47（2）：8-15，23.

［14］張德春，李海濤，李 勛，等. 基于CBAM和BiFPN改進(jìn)YoloV5的漁船目標(biāo)檢測［J］. 漁業(yè)現(xiàn)代化，2022，49（3）：71-80.

［15］喬星星，施文灶，劉芫汐，等. 基于ResNet雙注意力機(jī)制的遙感圖像場景分類［J］. 計算機(jī)系統(tǒng)應(yīng)用，2021，30（8）：243-248.

［16］王思穎. 基于遷移學(xué)習(xí)的多領(lǐng)域圖像內(nèi)容審核研究［D］. 成都：電子科技大學(xué)，2022：12-20.

［17］高 爽，徐巧枝. 遷移學(xué)習(xí)方法在醫(yī)學(xué)圖像領(lǐng)域的應(yīng)用綜述［J］. 計算機(jī)工程與應(yīng)用，2021，57（24）：39-50.

［18］張 爽. 基于深度學(xué)習(xí)的雙目立體匹配方法研究［D］. 西安：中國科學(xué)院大學(xué)（中國科學(xué)院西安光學(xué)精密機(jī)械研究所），2020：31-34.[HJ2.1mm]

［19］張睿哲. 基于機(jī)器學(xué)習(xí)的黃砂巖聲發(fā)射平靜期識別研究［D］. 太原：太原理工大學(xué)，2021：39-40.

［20］李 莉，喬 璐，張浩洋. 結(jié)合FPN改進(jìn)R-FCN的肺結(jié)節(jié)檢測算法［J］. 計算機(jī)應(yīng)用與軟件，2022，39（4）：179-184.

［21］楊建華. 基于FPN的高分辨率建筑物圖像的語義分割［J］. 遙感信息，2021，36（4）：133-141.

［22］Huang H Z，Zhan W，Du Z Q，et al. Pork primal cuts recognition method via computer vision［J］. Meat Science，2022，192：108898.

［23］She J H，Zhan W，Hong S B，et al. A method for automatic real-time detection and counting of fruit fly pests in orchards by trap bottles via convolutional neural network with attention mechanism added［J］. Ecological Informatics，2022，70：101690.

［24］Hong S B，Zhan W，Dong T Y，et al. A recognition method of Bactrocera minax （Diptera：Tephritidae） grooming behavior via a multi-object tracking and spatio-temporal feature detection model［J］. Journal of Insect Behavior，2022，35：67-81.

［25］Zhang Z L，Zhan W，He Z Z，et al. Application of spatio-temporal context and convolution neural network （CNN） in grooming behavior of bactrocera minax （Diptera：Trypetidae） detection and statistics［J］. Insects，2020，11（9）：565.

［26］Zhan W，Sun C F，Wang M C，et al. An improved Yolov5 real-time detection method for small objects captured by UAV［J］. Soft Computing，2022，26（1）：361-373.