摘要 探討了采用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，如GoogLeNet、VGGNet和EfficientNet，作為特征提取器對(duì)蘋(píng)果葉片病害檢測(cè)準(zhǔn)確率的影響。通過(guò)結(jié)合這3個(gè)CNN模型導(dǎo)出的深度特征，實(shí)現(xiàn)了深度學(xué)習(xí)特征的組合，使用提取的深度特征訓(xùn)練了支持向量機(jī)（SVM）分類器。結(jié)果表明，所有CNN模型都能以顯著的準(zhǔn)確率使用深度特征提取并檢測(cè)出蘋(píng)果葉片病害，整體分類準(zhǔn)確率達(dá)到了99.42%。此外，該研究還提出了一種基于改進(jìn)深度學(xué)習(xí)的方法，通過(guò)結(jié)合3個(gè)CNN模型的深度特征，進(jìn)一步提高了預(yù)測(cè)性能。該方法在蘋(píng)果葉片病害檢測(cè)中表現(xiàn)出色，并有望應(yīng)用于其他植物葉片的病害檢測(cè)。該研究為植物病害的自動(dòng)識(shí)別提供了一種有效的方法，有助于農(nóng)業(yè)生產(chǎn)的智能化和精準(zhǔn)化。

關(guān)鍵詞 蘋(píng)果葉片病害；卷積神經(jīng)網(wǎng)絡(luò)；深度特征提??；支持向量機(jī)；病害檢測(cè)

中圖分類號(hào) S-058 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 0517-6611（2024）23-0216-04

doi：10.3969/j.issn.0517-6611.2024.23.047

Detection of Enhanced Apple Leaf Disease Using Fused Deep Features from Pre-trained CNNs

ZHANG Zheng-feng， GAO Feng

（Xuzhou Vocational College of Bioengineering， Xuzhou， Jiangsu 221006）

Abstract A comprehensive examination of the application of pre-trained Convolutional Neural Networks （CNNs） was discussed， such as GoogLeNet， VGGNet and EfficientNet in detecting apple leaf diseases and pests. By addressing the limitations and gaps in existing research， we focused on enhancing detection accuracy by leveraging deep features extracted from these CNN models. The methodology involved the fusion of deep features obtained from the final fully connected layers of the CNNs， followed by the training of a Support Vector Machine （SVM） classifier. Results showed that all the CNN models demonstrated significant accuracy in detecting apple leaf diseases using deep feature extraction， achieving an overall classification accuracy of 99.42%. Furthermore， an improved deep learning approach was introduced which combined the deep features from the three CNN models， further boosting predictive performance. The methodology exhibited promising results in apple leaf disease detection and had potential applications in detecting diseases in other plant leaves. This research contributed to the development of automated and precise plant disease identification techniques， paving the way for intelligent and targeted agricultural production.

Key words Apple leaf diseases;Convolutional Neural Networks （CNNs）;Deep feature extraction;Support Vector Machine （SVM）;Disease detection

基金項(xiàng)目 中國(guó)高校產(chǎn)學(xué)研創(chuàng)新基金項(xiàng)目“基于VR的互聯(lián)網(wǎng)-紅色旅游應(yīng)用研究-以淮海戰(zhàn)役烈士紀(jì)念塔園林景區(qū)為例”（2022IT061）。

作者簡(jiǎn)介 張正風(fēng)（1980—），男，江蘇徐州人，副教授，碩士，從事軟件工程和軟測(cè)量技術(shù)研究。*通信作者，副教授，碩士，從事動(dòng)物繁殖和遺傳育種研究。

收稿日期 2024-04-03

蘋(píng)果作為全球公認(rèn)的種植最廣泛的水果之一，因其營(yíng)養(yǎng)價(jià)值和產(chǎn)量高而受到人們的喜愛(ài)，但是蘋(píng)果同樣不能免受病害的普遍影響，這對(duì)農(nóng)業(yè)產(chǎn)量和質(zhì)量構(gòu)成了重大威脅［1］。盡管植物保護(hù)專家采用了傳統(tǒng)的視覺(jué)檢查方法來(lái)檢查植物病害，但這種方法既耗時(shí)又往往不準(zhǔn)確［2］。在蓬勃發(fā)展的精準(zhǔn)農(nóng)業(yè)領(lǐng)域，對(duì)能夠提供速度和準(zhǔn)確性的計(jì)算機(jī)輔助病害檢測(cè)系統(tǒng)的需求越來(lái)越高。

在利用基于傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)的研究中，蘋(píng)果葉片病害的識(shí)別已取得了重大進(jìn)展，如支持向量機(jī)、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、主成分分析等。鄒永杰等［3］對(duì)蘋(píng)果葉片圖像的定向梯度直方圖和局部二元化圖形進(jìn)行特征提取，同時(shí)使用SVM分類器對(duì)其進(jìn)行分類，其準(zhǔn)確率達(dá)到98.49%。研究人員使用改進(jìn)的均值漂移Mean-Shift 算法對(duì)3種常見(jiàn)蘋(píng)果葉片病害病斑進(jìn)行分割［4］，并提取病斑圖像的4個(gè)顏色特征和7個(gè)基于和差直方圖的特征作為分類特征，通過(guò)計(jì)算歐式距離進(jìn)行分類，準(zhǔn)確率可達(dá)96%。然而，傳統(tǒng)機(jī)器學(xué)習(xí)模型的成功嚴(yán)重依賴于所選特征和必要的分割，這往往限制了最佳分類結(jié)果。

在利用基于機(jī)器學(xué)習(xí)技術(shù)的研究中，蘋(píng)果葉片病害的識(shí)別已取得了重大進(jìn)展?！吧疃葘W(xué)習(xí)”描述了一種能夠在多個(gè)處理層上學(xué)習(xí)輸入表示的模型［5］。與傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)不同，深度學(xué)習(xí)促進(jìn)了直接數(shù)據(jù)分析，消除了對(duì)特征提取的需求。深度學(xué)習(xí)在植物病害識(shí)別中的應(yīng)用已得到廣泛研究。丁睿柔［5］針對(duì)蘋(píng)果葉片病害，改進(jìn)了ResNet18網(wǎng)絡(luò)，通過(guò)添加通道與空間注意力機(jī)制以及特征圖隨機(jī)裁剪分支，優(yōu)化了網(wǎng)絡(luò)性能。龍陽(yáng)等［6］針對(duì)蘋(píng)果葉片病害在復(fù)雜環(huán)境下出現(xiàn)的多尺度病斑識(shí)別和定位不準(zhǔn)確等難題，并提高對(duì)小目標(biāo)病害特征的識(shí)別能力，提出了一種基于改進(jìn)YOLO的蘋(píng)果葉片病害檢測(cè)算法。研究人員提出了基于改進(jìn)Faster R-CNN的蘋(píng)果葉片病害識(shí)別方法，能夠在實(shí)際場(chǎng)景中進(jìn)行無(wú)損測(cè)量識(shí)別，平均精度均值達(dá)到86.2%［7］。

鑒于此，筆者探討了采用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，如GoogLeNet、VGGNet和EfficientNet［8］作為特征提取器對(duì)蘋(píng)果葉片病害檢測(cè)準(zhǔn)確率的影響。通過(guò)結(jié)合這3個(gè)CNN模型導(dǎo)出的深度特征，實(shí)現(xiàn)了深度學(xué)習(xí)特征的組合，使用提取的深度特征訓(xùn)練了支持向量機(jī)（SVM）分類器。

1 圖像數(shù)據(jù)集與研究方法

該研究數(shù)據(jù)取自已公開(kāi)的AppleLeaf9數(shù)據(jù)集，該數(shù)據(jù)集是從PlantVillage、ATLDSD、PPCD 2020 和PPCD 2021 中融合得到的［9］。這個(gè)數(shù)據(jù)集匯集了不同來(lái)源的圖像，使得所提出的算法能夠識(shí)別出更多種類的蘋(píng)果葉部病害，尤其是在野外環(huán)境下也能表現(xiàn)出色，增強(qiáng)了模型在應(yīng)對(duì)環(huán)境變化時(shí)的魯棒性。數(shù)據(jù)集中經(jīng)過(guò)人工篩選的圖片數(shù)據(jù)包括鏈格孢葉斑病408張、褐斑病381張、蛙眼葉斑病360張、灰斑病339張、花葉病371張、白粉病410張、銹病361張、黑星病370張，共計(jì)8種病害3 000張圖片，圖片尺寸為256×256像素，所有圖片均為JPEG格式。圖1展示了該集合中的一些代表性的健康和患病蘋(píng)果葉片圖像。

該研究中CNN架構(gòu)（如GoogLeNet、VGGNet和EfficientNet）的輸入圖像分辨率都為224×224像素，并且所有圖像都縮放到相應(yīng)的尺寸。使用的所有模型都通過(guò)留出驗(yàn)證技術(shù)（hold-out validation）進(jìn)行了頭對(duì)頭（head to head）比較。數(shù)據(jù)集已按照訓(xùn)練集與測(cè)試集4∶1的比例進(jìn)行了劃分。所有模型都使用相同的一組準(zhǔn)備圖像和測(cè)試圖像。表1列出了數(shù)據(jù)集的分類、病害名稱、按分類劃分的樣本大小以及用于訓(xùn)練和測(cè)試的總圖像數(shù)量。

1.1 特征提取與模型融合策略

卷積神經(jīng)網(wǎng)絡(luò)（CNN）的目的是在最小化人工特征工程的情況下自動(dòng)從數(shù)據(jù)中學(xué)習(xí)有用的表示。CNN框架主要由2部分組成。第1部分包括卷積層、應(yīng)用非線性激活函數(shù)和池化層，它們共同工作以從輸入數(shù)據(jù)中提取有用的特征表示［10］。第2部分由全連接層和Softmax層組成，負(fù)責(zé)將提取的特征映射到具體的類別標(biāo)記上。

卷積層的濾波器能夠揭示數(shù)據(jù)內(nèi)部的空間聯(lián)系，這是其強(qiáng)大之處。由于濾波器權(quán)重是共享的，因此可以實(shí)現(xiàn)更高效的過(guò)濾。當(dāng)輸入數(shù)據(jù)中存在大量相同的特征實(shí)例時(shí)，學(xué)習(xí)過(guò)程不會(huì)受到影響。卷積操作的結(jié)果是加權(quán)和，隨后通過(guò)激活層消除線性依賴［11t1h6tTHwkZnmOUKAyeoZIA==］。該研究選擇使用線性整流單元（ReLU）作為激活函數(shù)，而不是雙曲正切或Sigmoid等其他函數(shù)。ReLU函數(shù)將負(fù)值置為0，從而生成特征圖。接下來(lái)，對(duì)數(shù)據(jù)進(jìn)行池化處理以進(jìn)一步減小其尺寸，可以選擇最大池化或平均池化。卷積操作的次數(shù)由多個(gè)超參數(shù)決定，如輸入大小、濾波器大小、步長(zhǎng)和填充等。最后，數(shù)據(jù)被傳遞到全連接層，該層的作用是整合之前學(xué)到的特征。根據(jù)設(shè)計(jì)需求，可能存在1個(gè)或多個(gè)全連接層。最后一層全連接層將數(shù)據(jù)傳遞給Softmax層，Softmax層會(huì)計(jì)算出所有特征對(duì)應(yīng)各個(gè)類別的概率，從而構(gòu)建模型的預(yù)測(cè)結(jié)果。最終全連接層的輸出數(shù)量與輸入數(shù)據(jù)中的類別數(shù)量相等。

遷移學(xué)習(xí)是指使用與所研究問(wèn)題類似任務(wù)訓(xùn)練過(guò)的模型的過(guò)程［12］。在這一過(guò)程中，深度特征提取器會(huì)采用一個(gè)已經(jīng)訓(xùn)練好的CNN模型，并直接應(yīng)用其默認(rèn)參數(shù)（即權(quán)重），而不做任何額外的調(diào)整。隨后，針對(duì)新引入的分類任務(wù)，采用支持向量機(jī)（SVM）等分類算法進(jìn)行處理。這種方法的核心在于，利用預(yù)先訓(xùn)練好的CNN架構(gòu)來(lái)為新的問(wèn)題域提取有效特征。

GoogLeNet以其獨(dú)特的Inception模塊而廣受贊譽(yù)，該模塊通過(guò)多尺度卷積核的組合提升了網(wǎng)絡(luò)的表達(dá)能力，并在減少參數(shù)數(shù)量的同時(shí)保持了出色的性能［13］。VGGNet則以其深度堆疊的小卷積核而著稱，這種設(shè)計(jì)使得網(wǎng)絡(luò)能夠提取到豐富的特征信息，為圖像識(shí)別等任務(wù)提供了強(qiáng)大的支持。而EfficientNet則通過(guò)一種全新的復(fù)合縮放方法，均衡地調(diào)整網(wǎng)絡(luò)的深度、寬度和分辨率，實(shí)現(xiàn)了在保持高性能的同時(shí)，大幅降低了模型的計(jì)算成本。這3個(gè)網(wǎng)絡(luò)結(jié)構(gòu)各具特色，均為深度學(xué)習(xí)領(lǐng)域的經(jīng)典之作，對(duì)后續(xù)研究產(chǎn)生了深遠(yuǎn)的影響。

1.2 支持向量機(jī)

為了利用深度特征提取所收集的數(shù)據(jù)，必須在該數(shù)據(jù)上訓(xùn)練分類器算法。報(bào)告顯示，SVM分類器在多種農(nóng)業(yè)圖像分類問(wèn)題上表現(xiàn)優(yōu)異［14］。該研究采用了Vapnik提出的支持向量機(jī)（SVM）分類器。

使用支持向量機(jī)（SVM）解決分類問(wèn)題的第一步是找到一個(gè)最優(yōu)超平面，這個(gè)超平面能夠最大化地將2類數(shù)據(jù)分隔開(kāi)。在數(shù)學(xué)上，這個(gè)最優(yōu)超平面可以通過(guò)求解一個(gè)二次優(yōu)化問(wèn)題來(lái)得到［15］。具體來(lái)說(shuō)，給定一個(gè)訓(xùn)練數(shù)據(jù)集{（xi，yi）}ni=1，其中xi∈Rd是數(shù)據(jù)點(diǎn)，yi∈{-1，1}是對(duì)應(yīng)的標(biāo)簽，SVM試圖找到一個(gè)超平面wTx+b=0（其中w∈Rd是法向量，b∈R是截距），使得該超平面能夠最大化地分隔兩類數(shù)據(jù)。

這個(gè)優(yōu)化問(wèn)題可以表示為：

minw，b12‖w‖2（1）

S.T.yi（wT+b）≥1，i=1，2，…，n（2）

式中，‖w‖2=wTw是法向量的二范數(shù)，用于度量超平面的“間隔”或“邊距”。約束條件yi（wTxi+b）≥1確保每個(gè)數(shù)據(jù)點(diǎn)都被正確地分類，并且距離超平面至少有一定的距離（這里是1，但可以通過(guò)縮放w和b來(lái)調(diào)整）。

這個(gè)優(yōu)化問(wèn)題是一個(gè)凸二次規(guī)劃問(wèn)題，可以使用各種優(yōu)化算法（如拉格朗日乘子法、SMO算法等）來(lái)求解。求解完成后，得到的最優(yōu)w和b就確定了最優(yōu)超平面，從而可以用于對(duì)新數(shù)據(jù)進(jìn)行分類。

1.3 研究方法

該研究采用深度特征提取方法對(duì)蘋(píng)果葉片病害進(jìn)行識(shí)別。該方法是一種遷移學(xué)習(xí)策略，利用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型提取特征。深度特征是從相應(yīng)的全連接層中提?。篤GGNet的FC8、EfficientNet的Head層和GoogLeNet的Loss-3，并提供了深度特征［16］。此外，還提出了一種使用深度學(xué)習(xí)的方法，將3個(gè)CNN模型中的每個(gè)模型的1 000個(gè)深度特征進(jìn)行組合，以提高預(yù)測(cè)性能。在訓(xùn)練階段，SVM分類器受益于獲得的深度特征。SVM沒(méi)有自定義設(shè)置；所有參數(shù)都保留其默認(rèn)值。試驗(yàn)中使用了i5-8550U CPU、16GB RAM、2GB GPU和240SDD。所有試驗(yàn)均在MATLAB 2019b環(huán)境中運(yùn)行。

該數(shù)據(jù)集包含足夠數(shù)量的圖像，可使用留出驗(yàn)證技術(shù)對(duì)模型進(jìn)行1∶1比較。數(shù)據(jù)集被分成2個(gè)相等的部分：第1部分用于訓(xùn)練，第2部分用于測(cè)試［17］。在比較模型時(shí)，使用了準(zhǔn)確度ACCURACY指標(biāo)。真正（TP）、假負(fù)（FN）、假正（FP）以及真負(fù)（TN）均從混淆矩陣中獲得，并用于計(jì)算這些性能指標(biāo)。以下是模型比較中使用的性能指標(biāo)的數(shù)學(xué)表達(dá)式：

ACCURACY=TP+TNTP+FN+FP+TN（3）

圖3展示了深度學(xué)習(xí)算法的準(zhǔn)確度性能比較。VGGNet的準(zhǔn)確度從99.06%開(kāi)始，最大識(shí)別準(zhǔn)確度為99.22%。GoogLeNet的準(zhǔn)確度從98.99%開(kāi)始，最大達(dá)到99.31%。EfficientNet模型的準(zhǔn)確度最小為99.15%，最大為99.29%。由于結(jié)合了深度特征和高效的訓(xùn)練、測(cè)試技術(shù)，提出的模型最大準(zhǔn)確度為99.27%，最小為99.41%。

結(jié)果表明，從具有更多層的CNN模型中提取深度特征需要更多時(shí)間。盡管系統(tǒng)在評(píng)估案例中表現(xiàn)良好，但在少數(shù)情況下確實(shí)遇到了問(wèn)題，這可能是未來(lái)研究的主題。由于樣本稀缺，一些具有高模式變化的類別經(jīng)常與其他類別混淆，導(dǎo)致假陽(yáng)性或平均準(zhǔn)確度降低。

2 討論

該研究對(duì)早期采用相關(guān)數(shù)據(jù)集的研究成果與聯(lián)合深度特征及支持向量機(jī)（SVM）的方法進(jìn)行了全面對(duì)比。在對(duì)比過(guò)程中，綜合考量了多種關(guān)鍵因素，涵蓋現(xiàn)有方法論、作物種類、應(yīng)用方式、分類數(shù)量以及整體準(zhǔn)確率［18］。經(jīng)過(guò)詳盡的分析與比較，結(jié)果清晰地揭示出聯(lián)合深度特征與SVM的方法在各方面均表現(xiàn)出更為優(yōu)越的性能。

在討論蘋(píng)果葉片病害檢測(cè)的相關(guān)研究時(shí)，發(fā)現(xiàn)數(shù)據(jù)集的構(gòu)成和試驗(yàn)設(shè)置對(duì)結(jié)果具有顯著影響。首先，就類別總數(shù)而言，不同的研究可能涉及不同數(shù)量的病害類型。例如，在研究中，處理了包括健康葉片在內(nèi)的多種病害類型，如蘋(píng)果黑星病、灰斑病等共計(jì)8類。這種多樣性使得模型能夠更全面地學(xué)習(xí)并識(shí)別各種病害特征。

其次，數(shù)據(jù)集的規(guī)模和劃分方式對(duì)模型的訓(xùn)練效果至關(guān)重要［19］。試驗(yàn)采用了包含數(shù)千張?zhí)O果葉片圖像的大型數(shù)據(jù)集，并將其劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。具體而言，使用了7 712張圖像進(jìn)行訓(xùn)練，1 928張圖像進(jìn)行驗(yàn)證以及80張圖像進(jìn)行測(cè)試。這種劃分方式確保了模型能夠在充足的數(shù)據(jù)上進(jìn)行訓(xùn)練，并在獨(dú)立的測(cè)試集上評(píng)估其性能，從而提供更可靠的結(jié)果。

通過(guò)采用預(yù)訓(xùn)練的CNN模型并結(jié)合深度特征融合方法，研究在蘋(píng)果葉片病害檢測(cè)方面取得了顯著成果。結(jié)果表明，模型在測(cè)試集上達(dá)到了較高的準(zhǔn)確率，能夠有效識(shí)別各種病害類型。這一成功得益于預(yù)訓(xùn)練模型強(qiáng)大的特征提取能力以及深度特征融合策略對(duì)模型性能的進(jìn)一步提升［20］。

3 結(jié)論

該研究致力于探究深度特征提取在識(shí)別蘋(píng)果葉片病害方面的潛力。為實(shí)現(xiàn)該目標(biāo)，采用了廣為人知的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，如GoogLeNet、VGGNet和EfficientNet。從這些CNN模型的最終全連接層中提取了共計(jì)1 000個(gè)深度特征，以增強(qiáng)支持向量機(jī)（SVM）分類器的性能［21］。通過(guò)融合來(lái)自3個(gè)CNN模型的深度特征，開(kāi)發(fā)了一種深度學(xué)習(xí)技術(shù)，該技術(shù)顯著提高了預(yù)測(cè)準(zhǔn)確性。文獻(xiàn)和試驗(yàn)結(jié)果表明，雖然單獨(dú)使用每個(gè)CNN模型的深度特征可以獲得良好的分類效果，但結(jié)合多個(gè)模型的信息能夠取得更優(yōu)結(jié)果。這歸因于不同CNN模型拓?fù)浣Y(jié)構(gòu)揭示了不同的判別特征集。該研究的最終目標(biāo)是準(zhǔn)確識(shí)別蘋(píng)果葉片病害，并提供針對(duì)性的農(nóng)藥噴灑建議，同時(shí)相較于其他CNN算法，提升分類性能。

參考文獻(xiàn)

［1］ 陳學(xué)森，韓明玉，蘇桂林，等.當(dāng)今世界蘋(píng)果產(chǎn)業(yè)發(fā)展趨勢(shì)及我國(guó)蘋(píng)果產(chǎn)業(yè)優(yōu)質(zhì)高效發(fā)展意見(jiàn)［J］.果樹(shù)學(xué)報(bào)，2010，27（4）：598-604.

［2］ 王樹(shù)桐，王亞南，曹克強(qiáng).近年我國(guó)重要蘋(píng)果病害發(fā)生概況及研究進(jìn)展［J］.植物保護(hù)，2018，44（5）：13-25，50.

［3］ 鄒永杰，張永軍，秦永彬，等.應(yīng)用于番茄病蟲(chóng)害檢測(cè)的HOG特征與LBP特征的結(jié)合［J］.南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2019，19（3）：21-28.

［4］ 李柯泉，陳燕，劉佳晨，等.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述［J］.計(jì)算機(jī)工程，2022，48（7）：1-12.

［5］ 丁睿柔.基于卷積神經(jīng)網(wǎng)絡(luò)的蘋(píng)果葉部病害識(shí)別與分割研究［D］.泰安：山東農(nóng)業(yè)大學(xué)，2022：30-40.

［6］ 龍陽(yáng)，肖小玲.基于多注意力機(jī)制的蘋(píng)果葉部病害檢測(cè)方法［J］.江蘇農(nóng)業(yè)科學(xué)，2023，51（23）：178-186.

［7］ 劉斌，徐皓瑋，李承澤，等.基于快照集成卷積神經(jīng)網(wǎng)絡(luò)的蘋(píng)果葉部病害程度識(shí)別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（6）：286-294.

［8］ AL-HIARY H，BANI-AHMAD S，REYALAT M，et al.Fast and accurate detection and classification of plant diseases［J］.International journal of computer applications，2011，17（1）：31-38.

［9］ 邵明月，張建華，馮全，等.深度學(xué)習(xí)在植物葉部病害檢測(cè)與識(shí)別的研究進(jìn)展［J］.智慧農(nóng)業(yè)，2022，4（1）：29-46.

［10］ 黨滿意，孟慶魁，谷芳，等.基于機(jī)器視覺(jué)的馬鈴薯晚疫病快速識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2020，36（2）：193-200.

［11］ AGARWAL M，SINGH A，ARJARIA S，et al.ToLeD：Tomato leaf disease detection using convolution neural network［J］.Procedia computer science，2020，167：293-301.

［12］ 郭文娟，馮全，李相周.基于農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型研究進(jìn)展［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（10）：157-166.

［13］ 徐岸峰，黃學(xué)彬，王波．改進(jìn) GoogLeNet 的自然場(chǎng)景圖像多標(biāo)記分類仿真［J/OL］.計(jì)算機(jī)仿真，2024-01-23［2024-03-17］.https：//link.cnki.net/urlid/11.3724.TP.20240122.1111.002.

［14］ 李紅光，于若男，丁文銳.基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)研究進(jìn)展［J］.航空學(xué)報(bào)，2021，42（7）：100-118.

［15］ 薛衛(wèi)，程潤(rùn)華，康亞龍，等.基于GC-Cascade R-CNN的梨葉病斑計(jì)數(shù)方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（5）：237-245.

［16］ 李就好，林樂(lè)堅(jiān)，田凱，等.改進(jìn)Faster R-CNN的田間苦瓜葉部病害檢測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2020，36（12）：179-185.

［17］ ZHONG Y，ZHAO M.Research on deep learning in apple leaf disease recognition［J］.Computers and electronics in agriculture，2020，168：1-6.

［18］ FERENTINOS K P.Deep learning models for plant disease detection and diagnosis［J］.Computers and electronics in agriculture，2018，145：311-318.

［19］ 陳聰，于嘯，宮琪.基于改進(jìn)殘差網(wǎng)絡(luò)的蘋(píng)果葉片病害識(shí)別研究［J］.河南農(nóng)業(yè)科學(xué)，2023，52（4）：152-161.

［20］ 張?jiān)讫垼R國(guó)紅，張晴晴.基于SVM的復(fù)雜環(huán)境下蘋(píng)果圖像的分割［J］.智能計(jì)算機(jī)與應(yīng)用，2017，7（1）：14-16，21.

［21］ GEETHARAMANI G，ARUN PANDIAN A.Identification of plant leaf diseases using a nine-layer deep convolutional neural network［J］.Computers & electrical engineering，2019，76：323-338.