史寶明 賀元香 趙霞

摘要：針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)和運算量超大，難以部署在資源受限的移動終端或嵌入式設(shè)備上的問題，以VGG16作為基礎(chǔ)框架，結(jié)合MobileNet v3模型思想，提出了一種輕量級卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識別方法，通過逐級漸進的方式建立網(wǎng)絡(luò)模型，用線性瓶頸的倒殘差深度可分離卷積代替標(biāo)準(zhǔn)卷積，用卷積層來代替全連接層，大幅度降低了模型的參數(shù)量和運算量。在深度卷積和點卷積之間加入改進的squeeze and excitation通道注意力模塊，來增強模型精度。注意力模塊的第2個全連接層的激活函數(shù)使用hard-swish代替sigmoid，可以大幅度提高運算速度。試驗樣本數(shù)據(jù)為PlantVillage數(shù)據(jù)集的玉米病害子數(shù)據(jù)集，由于樣本數(shù)據(jù)集偏小，通過隨機旋轉(zhuǎn)、隨機縮放大小、隨機寬度高度偏移、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機錯切變換、隨機亮度變化、樣本零均值化等方式對樣本數(shù)據(jù)進行了增強和擴充，擴充后的數(shù)據(jù)集在改進模型上進行試驗。試驗結(jié)果表明，和VGG16對比，改進模型的準(zhǔn)確率提高了1.48百分點，參數(shù)量是原模型的1/5，運算量是原模型的1/15；在不降低準(zhǔn)確率的前提下，模型的參數(shù)量和運算量大幅度降低，實現(xiàn)了模型的輕量化。改進模型可以部署在移動終端等手持設(shè)備上，為農(nóng)業(yè)病害識別提供指導(dǎo)和參考。

關(guān)鍵詞：玉米病害；輕量級卷積神經(jīng)網(wǎng)絡(luò)；倒殘差結(jié)構(gòu)；深度可分離卷積；VGG；病害圖像識別

中圖分類號：TP391.41；S435.131? 文獻標(biāo)志碼：A

文章編號：1002-1302（2024）05-0201-07[HT9.SS]

隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，相繼誕生了一大批優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)，如VGG［1］、ReNet［2］、InceptionNet［3］、DenseNet［4］等，模型的準(zhǔn)確率不斷提升，但同時網(wǎng)絡(luò)模型的深度越來越深，參數(shù)量和運算量越來越大，對硬件設(shè)備的算力要求也越來越高。這些網(wǎng)絡(luò)模型適合在PC端進行部署應(yīng)用，但在移動設(shè)備和嵌入式設(shè)備中卻不適合部署應(yīng)用。國內(nèi)學(xué)者通過將上述經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)引入農(nóng)業(yè)病害識別中［5-11］，取得了不錯的效果，但實用性不高。對于農(nóng)業(yè)病害識別來說，開發(fā)能夠部署在諸如手機移動設(shè)備或嵌入式設(shè)備的輕量級網(wǎng)絡(luò)模型［12］具有更好的市場前景。

輕量化卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計主要從卷積結(jié)構(gòu)輕量化、卷積模塊輕量化和卷積運算輕量化3個方面來進行［13］。在輕量化卷積網(wǎng)絡(luò)研究和應(yīng)用方面，2016 年最早公開的輕量化網(wǎng)絡(luò) SqueezeNet［14］，在ImageNet 數(shù)據(jù)集上的表現(xiàn)和AlexNet相當(dāng)，但其參數(shù)量僅為AlexNet的2%。后來隨著Xception［15］、ShuffleNet［16-18］等網(wǎng)絡(luò)的提出，輕量級神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展，并在農(nóng)業(yè)病害防治方面進行了應(yīng)用和改進［19-21］。2017年Google研究團隊首次提出MobileNet［22］，使用深度可分離卷積技術(shù)，大大降低了模型的參數(shù)和運算量，在MobileNet v1的基礎(chǔ)上，對網(wǎng)絡(luò)模型的主體模塊引入了線性瓶頸的倒殘差結(jié)構(gòu)，提出了MobileNet v2［23］。相比之前的模型，它的準(zhǔn)確率更高，模型更小。MobileNet v3［24］更新了層塊的設(shè)計，加入了通道注意力機制，使用H-swish激活函數(shù)代替ReLU6激活函數(shù)，使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索（neural architecture search，NAS）［25］技術(shù)搜索網(wǎng)絡(luò)參數(shù)，并重新設(shè)計優(yōu)化了耗時層，模型的準(zhǔn)確率和速度有了進一步的提升。國內(nèi)學(xué)者們針對MobileNet網(wǎng)絡(luò)進行了一系列的改進。劉洋等對MobileNet 和 Inception v3網(wǎng)絡(luò)進行遷移學(xué)習(xí)，實現(xiàn)了PlantVillage數(shù)據(jù)集和自建葡萄葉片病害數(shù)據(jù)集的識別，并對2種模型的識別效果進行了對比分析研究［26］。孫俊等基于MobileNet v2，引入輕量型的坐標(biāo)注意力機制和多尺度特征融合技術(shù)對MobileNet v2模型進行改進，在11類病害葉片和4類健康葉片數(shù)據(jù)集上進行了識別驗證，模型精度提升了2.91%［27］。賈鶴鳴等基于VGG網(wǎng)絡(luò)，引入深度可分離卷積和全局平均池化技術(shù)，構(gòu)建了一個輕量級網(wǎng)絡(luò)模型并在PlantVillage數(shù)據(jù)集上進行驗證，也取得了較好效果［28］。徐振南等提出了一種基于輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNet v3的網(wǎng)絡(luò)模型，通過遷移學(xué)習(xí)方式對馬鈴薯葉部病害進行了識別，識別準(zhǔn)確率達到了 98.00%［29］。上述研究表明，輕量級卷積神經(jīng)網(wǎng)絡(luò)模型在減少網(wǎng)絡(luò)參數(shù)量的同時，可保證較高的識別準(zhǔn)確率，能夠應(yīng)用在移動端等終端設(shè)備上，可以滿足農(nóng)業(yè)病害識別的實際需求。這些研究為農(nóng)作物病害識別在資源受限的移動設(shè)備和嵌入式設(shè)備上進行部署提供了參考。

本研究以VGG16作為基礎(chǔ)框架，使用了深度可分離卷積思想提出了一種CNN玉米病害圖像識別方法，用線性瓶頸的倒殘差深度可分離卷積代替標(biāo)準(zhǔn)卷積實現(xiàn)模型的輕量化，引入通道注意力模塊來增強模型精度，同時通過改進注意力模塊中的激活函數(shù)來提升運算速度。

1 研究理論與方法

1.1 VGG網(wǎng)絡(luò)

VGG網(wǎng)絡(luò)［1］獲得了2014年ImageNet圖像分類比賽的亞軍。VGG網(wǎng)絡(luò)主要由5層卷積層、3層全連接層和softmax輸出層組成（圖1）。由于堆疊2個3×3卷積核的感受野和1個5×5卷積核的感受野相同，堆疊3個3×3卷積核的感受野和1個7×7卷積核的感受野相同，因此VGG網(wǎng)絡(luò)使用多個3×3卷積核來代替更大的卷積核，能夠有效降低網(wǎng)絡(luò)的參數(shù)量，所有隱藏層之間的激活單元使用ReLU激活函數(shù)，在進行下采樣時，統(tǒng)一使用了2×2小池化核。相比之前的網(wǎng)絡(luò)模型，它的網(wǎng)絡(luò)深度更深，表示的特征圖更寬。VGG網(wǎng)絡(luò)結(jié)構(gòu)簡單，易于擴展改進。

1.2 深度可分離卷積

經(jīng)研究發(fā)現(xiàn)，使用深度可分離卷積代替標(biāo)準(zhǔn)卷積可以大大減少模型的參數(shù)量［22］。深度可分離卷積（depthwise separable convolution，DSC）由深度卷積（depthwise convolution，DWConv）和逐點卷積（pointwise convolution，PWConv）構(gòu)成。標(biāo)準(zhǔn)卷積和深度可分離卷積的對比如圖2所示，其中，BN表示批量歸一化層，ReLU表示激活函數(shù)層，DWConv表示深度卷積層，PWConv表示逐點卷積層。

在標(biāo)準(zhǔn)卷積中，卷積核的深度和輸入特征圖的通道數(shù)相同，輸出特征圖的通道數(shù)和卷積核的個數(shù)相同。在DWConv中，卷積核的個數(shù)和輸入特征圖的通道數(shù)相同，卷積核的深度均為1，每個卷積核只負責(zé)與輸入特征圖的單個通道進行卷積運算，因此輸出特征圖的通道數(shù)與輸入特征圖的通道數(shù)相同。而在PWConv中，使用DWConv卷積的輸出特征圖在深度方向進行加權(quán)混合，生成新的特征圖，卷積核的大小為1，其深度和DWConv的輸出通道數(shù)相同。卷積核的個數(shù)決定了輸出特征圖的通道數(shù)，PWConv卷積本質(zhì)上就是進行卷積核為1×1的標(biāo)準(zhǔn)卷積。

假設(shè)輸入特征圖的大小為DF×DF，其通道數(shù)為M，卷積核的大小為Dk×Dk，輸出特征圖的通道數(shù)為N，則標(biāo)準(zhǔn)卷積的參數(shù)量PConv的大小為：

PConv=DF×DF×M×N×Dk×Dk。

深度可分離卷積的參數(shù)量PDSC的大小為：

PDSC=DF×DF×M×Dk×Dk+DF×DF×M×N。

兩者之比為：

當(dāng)選擇Dk=3時，PDSC/PConv=1/N+1/9，可以看到深度可分離卷積的參數(shù)量約是標(biāo)準(zhǔn)卷積的 1/9。因此，使用深度可分離卷積代替標(biāo)準(zhǔn)卷積，可以設(shè)計輕量化的卷積神經(jīng)網(wǎng)絡(luò)。

1.3 深度可分離倒殘差結(jié)構(gòu)

深度可分離殘差結(jié)構(gòu)［23］是先用1×1的卷積降維，接著進行3×3的卷積，再用1×1的卷積升維，是一個兩頭大、中間小的細腰結(jié)構(gòu)，而深度可分離倒殘差結(jié)構(gòu)是先進行1×1卷積擴維，接著進行3×3卷積，再用1×1的卷積降維，是一個兩頭小、中間大的瓶頸結(jié)構(gòu)，前2個卷積使用非線性激活函數(shù)，最后1個卷積使用線性激活函數(shù)，因此也稱為線性瓶頸倒殘差結(jié)構(gòu)，以下稱其為bneck塊。本研究提出2種倒殘差結(jié)構(gòu)，區(qū)別是一個深度卷積的步長值為1，需要進行殘差跳連；另一個深度卷積的步長值為2，無需進行殘差跳連。兩者的結(jié)構(gòu)如圖3所示。其中，Stride為步長值，ReLU為非線性激活函數(shù)，Linear為線性激活函數(shù)。從圖3中可知，2種倒殘差結(jié)構(gòu)分別對應(yīng)了Stride為1和2的2種不同形態(tài)，2種形態(tài)主要都由1×1升維卷積層、DWConv卷積層、1×1降維卷積層構(gòu)成。前2層使用了ReLU激活函數(shù)，最后1層使用Linear線性激活函數(shù)，即無需做任何操作。當(dāng)Stride=1且輸入特征通道數(shù)等于輸出特征通道數(shù)時，需要殘差跳連，其余情況無需殘差跳連。要注意的是2種形態(tài)中的1×1卷積步長均為1，只有DWConv卷積步長值不同。

1.4 激活函數(shù)

目前最常用的激活函數(shù)是ReLU激活函數(shù)，其定義如下：

ReLU（x）=max（0，x）。

在文獻［24］中給出了一種新的激活函數(shù)，即swish激活函數(shù)，可有效代替sigmoid函數(shù)，其定義如下：

swish（x）=x·σ（x）；

σ（x）=1/（1+ex）。

式中：σ（x）為sigmoid函數(shù)，由于σ（x）需要進行指數(shù)運算，效率較低，而σ（x）和ReLU的圖像比較相近，因此借助ReLU定義了h-sigmoid（x）函數(shù)來近似模擬σ（x），即有：

h-sigmoid（x）=ReLU6（x+3）/6。

式中：ReLU6=min［ReLU（x），6］。在swish函數(shù)中，用h-sigmoid（x）代替σ（x），可得到h-swish函數(shù)，即有：

h-swish（x）=x·ReLU6（x+3）/6。

相關(guān)激活函數(shù)的對比如圖4所示，可以看到，sigmoid函數(shù)與h-sigmoid函數(shù)、swish函數(shù)與h-swish函數(shù)這2組函數(shù)的圖像非常近似，但由于ReLU函數(shù)的運算規(guī)則簡單，沒有復(fù)雜的指數(shù)運算，所以基于ReLU的h-sigmoid、h-swish函數(shù)的運算效率要高的多。

1.5 通道注意力機制

通道注意力機制（channel attention mechanism，CAM）［30］能夠有效提升卷積神經(jīng)網(wǎng)絡(luò)的性能。在上述bneck塊的DWConv層和PWConv層之間，引入了squeeze and excitation（SE）通道注意力模塊，即先對每個DWConv輸出的特征圖進行全局平均池化，再進行全連接、ReLU6激活，接著再進行全連接、sigmoid或h-swish激活，第1個全連接層的節(jié)點個數(shù)設(shè)為DWConv輸出特征圖的1/4，第2個全連接層的節(jié)點個數(shù)和DWConv輸出特征圖的個數(shù)相同，經(jīng)過上述運算就得到了1組特征圖權(quán)重系數(shù)，根據(jù)權(quán)重系數(shù)對特征圖進行融合作為PWConv的輸入，這樣可以增加有用特征的權(quán)重，從而將注意力聚焦在更加有用的特征上，在深度可分離卷積中引入通道注意力機制后的模塊命名為SE-bneck塊，其結(jié)構(gòu)見圖5。

在通道注意力模塊中，第1個全連接層后采用了ReLU6激活函數(shù)。當(dāng)ReLU6的輸入過大時，其輸出被限制為6，這樣可有效避免因權(quán)重梯度相差過大引起的量化誤差，提高模型的表達能力。而第2個全連接層的后面采用了h-swish激活函數(shù)。

2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

本研究以VGG16作為基礎(chǔ)模型來進行改進，VGG16主要由13層卷積層和3層全連接層構(gòu)成，在特定的卷積層間加入MaxPooling層進行下采樣。由于VGG模型是在1 000個分類的ImageNet網(wǎng)絡(luò)上進行訓(xùn)練的，而本研究中的玉米病害類型只有4類，因此本研究將VGG模型全連接層前2層的神經(jīng)元個數(shù)由4 096替換為512，最后1層的分類數(shù)由 1 000 變?yōu)?，將該模型記為模型0。以下通過逐級遞進的方式設(shè)計完成了一個輕量級CNN玉米病害圖像識別模型。

在模型0的基礎(chǔ)上，在每個卷積層和激活函數(shù)之間加入批量歸一化（batch normalization，BN）層。BN層是將輸入數(shù)據(jù)按照批量樣本特征的均值u和方差σ對樣本特征進行標(biāo)準(zhǔn)化處理，即

其中，xi′為特征圖像中第i個像素xi歸一化后的值，ε為微小常數(shù)，保證分母大于0。BN操作可以將卷積后原本偏離的數(shù)據(jù)重新拉回到均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布區(qū)域，從而將進入激活函數(shù)的數(shù)據(jù)分布在激活函數(shù)的線型區(qū)，使得輸入數(shù)據(jù)的微小變化能夠更明顯地體現(xiàn)到激活函數(shù)的輸出，進而增強模型的表達能力。經(jīng)過對改進的VGG16網(wǎng)絡(luò)分析發(fā)現(xiàn)，其主要參數(shù)量來源于后面的全連接層，即使全連接層的神經(jīng)元降為原來的1/4，全連接層的參數(shù)量仍占整個網(wǎng)絡(luò)參數(shù)量的47%左右，因此考慮用卷積層來代替全連接層，舍棄flatten層，用1個卷積核為1×1×512的卷積層代替第1個全連接層，后接全局平均池化層，再用1個卷積核為1×1×512的卷積層代替第2個全連接層，用卷積核為1×1×classes的卷積層代替第3個全連接層，后接flatten層和softmax層，改進模型記為模型1。

在模型1的基礎(chǔ)上，引入深度可分離卷積和線性瓶頸的倒殘差結(jié)構(gòu)。前面的13個卷積層除了第1個之外，其余的12個卷積層用bneck塊來代替，得到了模型2。注意只有在下采樣時，bneck塊的步長為2，其余均為1。模型2相比模型1，在保持模型精度基本不變的前提下，進一步降低了模型的參數(shù)量，提高了運算速度。在模型2的基礎(chǔ)上，通過在部分bneck塊中引入SE模塊，使得在進行PW卷積時能夠關(guān)注更加有用的特征。具體做法是在特征提取層使用SE模塊。而在下采樣過程中不使用SE模塊，另外相比ReLU激活函數(shù)，h-swish激活函數(shù)能夠更加有效地進行非線性變換，因此將網(wǎng)絡(luò)第1個卷積層和部分深層的激活函數(shù)替換為h-swish，同時模型的第1個卷積層的步長由1調(diào)整為2，后接的第1個bneck層的步長由2調(diào)整為1，加速了模型的輕量化，改進后的模型記為模型3。各模型的結(jié)構(gòu)對比見表1，模型3的詳細配置情況見表2。

3 數(shù)據(jù)集預(yù)處理

本研究使用的數(shù)據(jù)集圖像來自公開數(shù)據(jù)集PlantVillage中的玉米葉片病害圖像，共包含了4類圖像共計4 354張圖片，其中健康玉米葉片圖像 1 162 張，銹病葉片圖像1 192張，大斑病葉片圖像 1 000 張，灰斑病葉片圖像1 000張。對應(yīng)的4類數(shù)據(jù)標(biāo)簽分別為：Corn_healthy、Corn_Commonrust、Corn_NorthernBlight、Corn_CercosporaGrayspot。將上述圖像先按8 ∶2的比例劃分為訓(xùn)練集和測試集。由于數(shù)據(jù)集圖片量偏少，模型在訓(xùn)練的過程中容易過擬合，為了提升模型的泛化能力，降低模型對圖像的敏感度，可以通過數(shù)據(jù)增強的方式對數(shù)據(jù)集進行擴充，增加樣本數(shù)量和多樣性。創(chuàng)建Python數(shù)據(jù)增強腳本，使用keras的ImageDataGenerator對象對樣本數(shù)據(jù)進行隨機旋轉(zhuǎn)90°、隨機縮放大小0.2、隨機寬度高度偏移0.3、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機錯切變換0.2、亮度變化范圍［0.1，0.9］、樣本零均值化等處理對訓(xùn)練集數(shù)據(jù)進行增強，增強效果見圖6。

增強后的數(shù)據(jù)集包含健康玉米葉片圖像2 982張、銹病葉片圖像3 022張、大斑病葉片圖像和灰斑病葉片圖像各3 040張。將增強后的數(shù)據(jù)集按8 ∶2的比例再次劃分為訓(xùn)練集和驗證集。劃分后的數(shù)據(jù)分布見表3。

4 試驗設(shè)計

4.1 試驗環(huán)境

試驗在Windows 10系統(tǒng)環(huán)境下完成，具體軟硬件配置如下：IntelCoreTM i5-6500 CPU@3.20 GHz處理器，NVIDIA GeForce RTX3060顯卡，16 G內(nèi)存；軟件采用Anaconda+PyCharm集成開發(fā)環(huán)境，Python版本為3.8；TensorFlow深度學(xué)習(xí)框架，版本為2.5；CUDA版本為CUDA 11.1。

4.2 試驗細節(jié)

試驗中輸入圖像的大小統(tǒng)一裁剪為224×224，并進行了歸一化處理。batchsize設(shè)為32，模型選用Adam優(yōu)化器和交叉熵損失函數(shù)，訓(xùn)練迭代輪次設(shè)為30個epoch，學(xué)習(xí)率采用衰減學(xué)習(xí)率，初始學(xué)習(xí)率為0.001，每個迭代10個epoch。學(xué)習(xí)率降為原來的1/10。

4.3 試驗結(jié)果分析

對模型0至模型3在增強數(shù)據(jù)集上依次進行訓(xùn)練，記錄各模型在訓(xùn)練過程中的識別準(zhǔn)確率和損失函數(shù)，準(zhǔn)確率和損失值變化曲線結(jié)果分別見圖7、圖8。

對模型0至模型3的準(zhǔn)確率、參數(shù)量和運算量（FLOPs）這幾個指標(biāo)進行統(tǒng)計，結(jié)果見表4。

通過對圖7、表4以及試驗過程中記錄的其他相關(guān)數(shù)據(jù)分析可知，經(jīng)過30個epoch的迭代，4個模型都達到了較高的準(zhǔn)確率。模型1在模型0基礎(chǔ)上，準(zhǔn)確率提高了1.45百分點，參數(shù)量減少了將近50%，但運算量并未減少。深入分析后發(fā)現(xiàn)模型1相比模型0在全連接層的運算量有所減少，但由于在各卷積層后面增加了BN層，這些BN層的運算量累加在一起也是非?？捎^的。模型2使用了深度可分離卷積層代替標(biāo)準(zhǔn)卷積層，在準(zhǔn)確率略微降低的情況下，使得模型的參數(shù)量降為模型1的1/4左右，運算量約為模型1的1/15，實現(xiàn)了模型的輕量化。在模型2的基礎(chǔ)上，進一步引入通道注意力機制SE模塊，并且調(diào)整了第1個卷積層和bneck層的步長后，在參數(shù)量略微增加的情況下，進一步降低了運算量，且提高了模型的準(zhǔn)確率。改進后的模型3相比模型0，準(zhǔn)確率提高了1.48百分點，而模型的參數(shù)量減少為原來的1/5左右，浮點運算量降為原來的1/15左右，在沒有降低準(zhǔn)確率的前提下，實現(xiàn)了模型的輕量化。

5 結(jié)語

本研究提出了一種輕量級CNN玉米病害圖像識別方法，在VGG16網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，引入深度可分離卷積代替標(biāo)準(zhǔn)卷積，以減少模型參數(shù)和運算量；在深度卷積層和點卷積之間，引入SE通道注意力模塊，使得在確保準(zhǔn)確率不降低的情況下，模型參數(shù)和運算量大幅度降低，實現(xiàn)了模型的輕量化。該模型可部署在資源受限的移動端設(shè)備和嵌入式設(shè)備上，方便在實際農(nóng)業(yè)生產(chǎn)中進行推廣和應(yīng)用。

參考文獻：

［1］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. ArXiv e-Prints，2014：arXiv：1409.1556.

［2］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas，NV，USA.IEEE，2016：770-778.

［3］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas，NV，USA.IEEE，2016：2818-2826.

［4］Huang G，Liu Z，van der Maaten L，et al. Densely connected convolutional networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu，HI，USA.IEEE，2017：2261-2269.

［5］龍滿生，歐陽春娟，劉 歡，等. 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識別［J］. 農(nóng)業(yè)工程學(xué)報，2018，34（18）：194-201.

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

［7］方晨晨，石繁槐. 基于改進深度殘差網(wǎng)絡(luò)的番茄病害圖像識別［J］. 計算機應(yīng)用，2020，40（增刊1）：203-208.

［8］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.

［9］鮑文霞，吳 剛，胡根生，等. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害識別［J］. 安徽大學(xué)學(xué)報（自然科學(xué)版），2021，45（1）：53-59.

［10］樊湘鵬，周建平，許 燕，等. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜背景下玉米病害識別［J］. 農(nóng)業(yè)機械學(xué)報，2021，52（3）：210-217.

［11］何 欣，李書琴，劉 斌. 基于多尺度殘差神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害識別［J］. 計算機工程，2021，47（5）：285-291，300.

［12］葛道輝，李洪升，張 亮，等. 輕量級神經(jīng)網(wǎng)絡(luò)架構(gòu)綜述［J］. 軟件學(xué)報，2020，31（9）：2627-2653.

［13］馬金林，張 裕，馬自萍，等. 輕量化神經(jīng)網(wǎng)絡(luò)卷積設(shè)計研究進展［J］. 計算機科學(xué)與探索，2022，16（3）：512-528.

［14］Iandola F N，Han S，Moskewicz M W，et al. SqueezeNet：AlexNet-level accuracy with 50x fewer parameters and <0.5 MB model size［EB/OL］. （2016-06-01）［2023-04-12］. http：//ariv.org/abs/1602.07360.

［15］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu，HI，USA.IEEE，2017：1800-1807.

［16］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，UT，USA.IEEE，2018：6848-6856.

［17］Ma N N，Zhang X Y，Zheng H T，et al. ShuffleNet v2：practical guidelines for efficient CNN architecture design［C］//Computer Vision-ECCV 2018：15th European Conference，Munich，Germany，September 8-14，2018，Proceedings，Part XIV. ACM，2018：122-138.

［18］楊 祥，段軍明，董明剛. 面向移動端的植物病害圖像識別方法及其應(yīng)用［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（4）：191-197.

［19］項小東，翟 蔚，黃言態(tài)，等. 基于Xception-CEMs神經(jīng)網(wǎng)絡(luò)的植物病害識別［J］. 中國農(nóng)機化學(xué)報，2021，42（8）：177-186.

［20］李 好，邱衛(wèi)根，張立臣. 改進ShuffleNet v2的輕量級農(nóng)作物病害識別方法［J］. 計算機工程與應(yīng)用，2022，58（12）：260-268.

［21］李書琴，陳 聰，朱 彤，等. 基于輕量級殘差網(wǎng)絡(luò)的植物葉片病害識別［J］. 農(nóng)業(yè)機械學(xué)報，2022，53（3）：243-250.[HJ2mm]

［22］Howard A G，Zhu M，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. （2017-06-06）［2023-04-12］. https：//ariv.org/abs/1704.04861.

［23］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：4510-4520.

［24］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul，Korea （South）.IEEE，2019：1314-1324.

［25］Lv Z Q，Qian C，Yen G G，et al. Analysis of expected hitting time for designing evolutionary neural architecture search algorithms［EB/OL］. （2022-10-11）［2023-04-12］. https：//arxiv.org/abs/2210.05397.

［26］劉 洋，馮 全，王書志. 基于輕量級CNN的植物病害識別方法及移動端應(yīng)用［J］. 農(nóng)業(yè)工程學(xué)報，2019，35（17）：194-204.

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

［28］賈鶴鳴，郎春博，姜子超. 基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害識別方法［J］. 計算機應(yīng)用，2021，41（6）：1812-1819.

［29］徐振南，王建坤，胡益嘉，等. 基于MobileNetV3的馬鈴薯病害識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（10）：176-182.

［30］Zhang Z X，Wang M W. Convolutional neural network with convolutional block attention module for finger vein recognition［EB/OL］. ［2023-03-10］. http：//arxiv.org/abs/2202.06673.pdf.