摘要：針對現(xiàn)有農(nóng)作物葉片病害檢測方法對有限標注樣本利用不充分，導致模型識別精度不高、泛化性不強的問題，提出一種基于層間特征蒸餾網(wǎng)絡(luò)的作物葉片病害檢測方法。該方法采用支持分支和查詢分支相互監(jiān)督的元學習網(wǎng)絡(luò)結(jié)構(gòu)，首先，利用一組共享權(quán)重的特征提取網(wǎng)絡(luò)將雙分支網(wǎng)絡(luò)的輸入圖片映射到深度特征空間，并采用多層下采樣操作構(gòu)造多尺度特征集；然后，在每層特征中計算自注意力機制，在層間計算交叉注意力機制，旨在強化不同尺度內(nèi)和尺度間特征表達的魯棒性和可靠性；最后，在跨尺度特征中引入知識蒸餾網(wǎng)絡(luò)，旨在利用高層特征豐富淺層特征的語義信息，間接地增強不同尺度內(nèi)和尺度間特征表達的魯棒性。在馬鈴薯、蘋果、番茄和玉米病害數(shù)據(jù)集上進行測試，所提方法分別獲得0.953 1、0.966 8、0.955 2和0.954 2的識別精準率。

關(guān)鍵詞：病害葉片檢測；知識蒸餾；交叉注意力；自注意力；知識反饋

中圖分類號：S435; TP391" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 09?0271?07

Crop leaf disease detection based on inter?layer feature distillation network

Feng Yuhan Sun Jian Zhang Zhifang

（1. School of Information Engineering， Xinyang Agriculture and Forestry University， Xinyang， 464000， China;

2. College of Computer and Information Technology， Xinyang Normal University， Xinyang， 464000， China;

3. College of Electronic Information and Electrical Engineering， Tianshui Normal University， Tianshui， 741000， China）

Abstract： Aiming at the problem of insufficient utilization of limited labeled samples in existing crop leaf disease detection methods， which leads to low recognition accuracy and weak generalizability of the model， a crop leaf disease detection method based on inter?layer feature distillation network is proposed. The method adopts a meta?learning network structure with a support branch and a query branch supervising each other. Firstly， a set of shared weight feature extraction networks are used to map the input images of the two branches to the deep feature space， and multi?scale feature sets are constructed by using multiple down?sampling operations. Then， self?attention mechanism is calculated in each layer feature， and cross?attention mechanism is calculated between layers， aiming to enhance the robustness and reliability of feature expression at different scales and between scales. Finally， a knowledge distillation network is introduced in the cross?scale features， aiming to enrich the semantic information of low?level features with high?level features indirectly， and further enhance the robustness of feature expression at different scales and between scales. The proposed method has achieved recognition accuracies of 0.953 1， 0.966 8， 0.955 2 and 0.954 2 on potato， apple， tomato and corn diseases， respectively.

Keywords： disease leaf detection; knowledge distillation; cross?attention; self?attention; knowledge feedback

0 引言

作物葉片病害是影響農(nóng)作物產(chǎn)量和質(zhì)量的主要因素之一。在作物葉片病害管理中，及時、準確地檢測出病害葉片顯得尤為重要，這為農(nóng)戶提供有效的決策支持來控制病害的擴散，從而促進農(nóng)業(yè)的可持續(xù)發(fā)展。

傳統(tǒng)的作物葉片病害檢測方法通常依賴人工觀察和經(jīng)驗判斷[1， 2]，這種方法存在效率低、主觀性強和誤診率高的問題。近年來，隨著計算機視覺和人工智能技術(shù)的快速發(fā)展，基于圖像處理和機器學習的作物葉片病害檢測技術(shù)成為了研究的熱點[3]。通過分析作物葉片的圖像特征，結(jié)合深度學習算法，實現(xiàn)作物葉片病害自動化、快速、準確地檢測[4]。如劉敏等[5]利用VGG-16和Swin Transformer網(wǎng)絡(luò)分別提取了蘋果病害葉片的全局和局部特征，構(gòu)造了一種多尺度特征融合網(wǎng)絡(luò)的蘋果葉片檢測方法。邢鵬康等[6]基于元學習網(wǎng)絡(luò)構(gòu)建了一種小樣本的馬鈴薯病害葉片檢測方法，在支持分支引入卷積塊注意力強化了病害區(qū)域特征在深度特征空間中的表達能力。馬麗等[7]通過改進MobileNetv3網(wǎng)絡(luò)，提出了一種新的番茄葉片病害檢測方法，在5種番茄葉片病害類型樣本上進行測試，驗證了所設(shè)計方法的優(yōu)越性?；萸删甑萚8]通過提取玉米葉片在局部和全局特征空間上的編碼特征，并借助元學習訓練范式設(shè)計了一種雙分支特征融合網(wǎng)絡(luò)來增強指導特征集的表達能力，有效提高了模型對病害區(qū)域的定位和病害類型的分類能力。類似地，黃煒等[9]為降低融合特征集中無關(guān)信息的干擾，設(shè)計了一種特征分離的小樣本蘋果葉片病害檢測方法，將局部和全局的融合特征分離為指導病害葉片分類和定位的單一特征，在開源的數(shù)據(jù)集上驗證了所設(shè)計方法的優(yōu)越性。

上述作物葉片病害檢測方法從不同角度改善了檢測性能，然而該類方法僅對單一作物或少量作物病害的葉片有效，泛化性不強；現(xiàn)有方法對有限信息的利用不充分，影響模型的檢測性能。為此，提出一種基于層間特征蒸餾網(wǎng)絡(luò)的作物葉片病害檢測新方法，采用支持分支和查詢分支相互監(jiān)督的元學習網(wǎng)絡(luò)結(jié)構(gòu)，分別在單一分支內(nèi)利用自注意力機制聚焦病害區(qū)域中的關(guān)鍵特征。其次，為促進不同分支間信息的交流，采用交叉注意力機制建立分支間特征的信息交互。最后，引入層間特征蒸餾網(wǎng)絡(luò)，利用高層特征豐富淺層特征的語義信息，間接地增強不同尺度內(nèi)和尺度間特征表達的魯棒性。

1 數(shù)據(jù)集

模型訓練的數(shù)據(jù)集主要來源于開源數(shù)據(jù)集和自建數(shù)據(jù)集兩部分。其中開源數(shù)據(jù)集為Plant Village，選擇馬鈴薯、番茄、蘋果和玉米四種病害葉片構(gòu)造訓練集和測試集。自建數(shù)據(jù)樣本主要來源于網(wǎng)絡(luò)圖片和河南當?shù)胤N植的玉米、茄子、馬鈴薯和番茄等作物拍攝葉片。所拍攝工具選擇索尼ILCE-7M3，拍攝圖片的大小統(tǒng)一為517像素×517像素，并采用數(shù)據(jù)增強技術(shù)擴展數(shù)據(jù)樣本，所有數(shù)據(jù)按照8∶1∶1的比例劃分為訓練集、驗證集和測試集。數(shù)據(jù)增強案例如圖1所示，數(shù)據(jù)集詳細信息如表1所示。

兩個數(shù)據(jù)集中的葉片類型包括：馬鈴薯葉片類型包括黑斑病、黃葉病、灰霉病和健康葉片四種；番茄葉片類型包括白粉病、健康葉片、黃葉病、灰葉??；蘋果葉片類型包括銹病、灰斑病、花葉病和健康葉片四種；玉米葉片類型包括大斑病、小斑病、銹病和健康葉片。

2 作物葉片病害檢測方法

針對現(xiàn)有模型對有限標注樣本信息利用不充分的問題，設(shè)計了一種基于層間特征蒸餾網(wǎng)絡(luò)的作物葉片病害檢測方法。模型結(jié)構(gòu)如圖2所示。

該方法包括特征提取、特征交互、層間特征蒸餾和病害區(qū)域檢測四部分。其中，特征提取模塊是將輸入圖片映射到深度特征空間，并采用多層下采樣操作構(gòu)造多尺度特征集。特征交互是在每一分支中計算自注意力，并在分支間計算交叉注意力，促進分支間信息的交互。層間特征蒸餾是在分支交叉注意力之后，將高層特征蒸餾到淺層特征中，豐富淺層特征的語義信息，間接地增強不同尺度內(nèi)和尺度間特征表達的魯棒性。病害區(qū)域檢測階段采用無參數(shù)的度量，逐像素計算查詢分支上輸入圖片的特征與交互信息之間的相似度，根據(jù)相似度值確定病害區(qū)域。

2.1 特征提取

已標注的少量作物病害葉片不足以訓練整個特征提取器，為此采用預訓練的主干網(wǎng)絡(luò)作為支持分支和查詢分支的特征提取器。此外，考慮實際場景對輕量級的要求，采用ImageNet上預訓練的VGG-16網(wǎng)絡(luò)[10， 11]作為特征提取器，VGG-16網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

假設(shè)支持圖片和查詢圖片經(jīng)過共享權(quán)重的VGG-16網(wǎng)絡(luò)映射后的特征分別為Fs和Fq，為挖掘單一分支內(nèi)層間信息的關(guān)聯(lián)，同時促進支持分支和查詢分支間特征的細粒度交互，分別在支持分支和查詢分支上構(gòu)造多尺度特征，即構(gòu)造淺層、中間層和高層特征圖。此處以不同大小的下采樣操作構(gòu)造多尺度特征集，單一分支上不同層的下采樣特征圖表示為式（1）。

2.2 特征交互

傳統(tǒng)作物葉片病害檢測方法主要捕獲原始圖片的深層特征，忽略了淺層特征及各層特征間的關(guān)聯(lián)性。其次，由于下采樣過程中不同大小的卷積操作，不同的尺度特征分別聚焦不同病害區(qū)域的語義信息，如淺層特征更多包含紋理和邊緣信息，高層特征包含更多的分類信息[12， 13]。因此在分支內(nèi)，為了聚焦不同尺度特征圖上的病害區(qū)域，在支持分支和查詢分支上分別計算不同尺度內(nèi)的自注意力。計算如式（2）所示。

其次，支持分支和查詢分支共享相同的語義類，有效挖掘分支間的相關(guān)語義有助于增強特征表達的魯棒性和可靠性。雖然現(xiàn)有方法也利用交叉注意力機制捕獲分支間的語義關(guān)聯(lián)，然而該類方法僅在從深層特征的全局表示上建立分支間的語義關(guān)聯(lián)[14]。值得注意地是，如果分支間的交互不準確，該類粗略的交互極易導致分支間信息的語義歧義，造成無關(guān)信息積累逐漸增多，不利于病害區(qū)域的定位[15]。在本方法中，通過逐層建立分支間的信息交互來緩解上述問題，具體是在支持分支和查詢分支的淺層、中間層和高層分別建立分支間的信息交互，計算如式（3）所示。

2.3 層間特征蒸餾

傳統(tǒng)基于深度學習的作物病害檢測方法中，主要采用深層特征指導未知病害區(qū)域的定位與病害類型的識別[16]。然而，不同尺度對應(yīng)的特征圖聚焦不同粒度的病害區(qū)域，如果淺層特征在保持原有紋理、邊緣等信息的基礎(chǔ)上，可以獲得深層特征的分類信息，則通過正向和反向反饋訓練機制，深層特征具有更強的表征能力[17]。為此，設(shè)計了一種層間特征蒸餾機制，旨在將高層特征蒸餾到淺層特征中，豐富淺層特征的語義信息，間接地增強不同尺度內(nèi)和尺度間特征表達的魯棒性。特征蒸餾過程如圖4所示。

圖4中，以高層網(wǎng)絡(luò)的輸出特征和對應(yīng)的預測信息作為教師監(jiān)督信息，相鄰淺層網(wǎng)絡(luò)的輸出特征作為學生預測，并將真實標注信息作為學生預測性能的評估指標。該網(wǎng)絡(luò)的目標是將包含分類信息的高層信息逐層蒸餾到淺層特征中，使得淺層特征中既包含紋理、邊緣等信息，又包含高層分類信息。最后，通過計算教師和學生對應(yīng)輸出特征的KL（Kullback-Leibler）[18]散度來達到互相監(jiān)督的目的。KL散度計算如式（4）所示。

通過逐層計算教師和學生對應(yīng)特征的散度值，將高層特征蒸餾到淺層特征中，豐富淺層特征的語義信息，間接地增強高層特征的語義表達能力。

2.4 病害區(qū)域檢測

考慮到作物病害檢測模型在實際場景中對于實時性的要求，在病害區(qū)域定位階段選擇無參數(shù)的度量方式。采用余弦相似度逐位置計算待測圖片映射特征與交互淺層特征集之間的相似度[19， 20]，并根據(jù)最大相似度值給出病害區(qū)域的定位，計算如式（5）、式（6）所示。然后，根據(jù)每一位置計算得到的最大相似度值[msv（x，y）]，快速定位原始圖片中的病害區(qū)域。最后，通過比較預測區(qū)域與原始病害標簽區(qū)域之間的面積比，端到端優(yōu)化網(wǎng)絡(luò)模型。

3 試驗與分析

3.1 試驗環(huán)境與評價指標

試驗在Windows 10平臺進行，搭載NVIDIA A100 40 GB顯卡，CUDA版本為11.6， 6 TB Nas存儲，編程語言采用Python 3.9，深度學習框架為Pytorch。設(shè)定初始學習率為1×10-3，優(yōu)化器選擇Adam，迭代輪次設(shè)為60。

選擇當前作物病害類型檢測方法中常用評價指標：精準率（Precision）、召回率（Recall）和F1值。此外，為進一步驗證所設(shè)計方法對病害區(qū)域的定位性能，選擇mIoU作為補充評價指標。計算如式（7）和式（8）所示。

3.2 消融試驗

為了驗證特征交互和層間特征蒸餾在模型整體性能提升中所扮演的角色，在特征交互模塊中設(shè)計以下5組變體方法的消融試驗，所有試驗結(jié)果均基于4類作物的總樣本。變體方法1：利用支持圖片的全局特征作為指導查詢圖片中未知病害區(qū)域定位的特征集，并且設(shè)定該模型為所設(shè)計方法的基線模型；變體方法2：僅在支持分支的深層特征圖上計算自注意力機制，并將深層注意力圖作為指導查詢圖片中未知病害區(qū)域定位的特征集；變體方法3：僅建立支持分支深層特征圖和查詢分支深層特征圖的交叉注意力機制，并將交互特征圖作為指導查詢圖片中未知病害區(qū)域定位的特征集；變體方法4：將支持特征圖下采樣為淺層、中間層和高層特征圖，分別在每層特征圖上計算自注意力機制，并將深層注意力圖作為指導查詢圖片中未知病害區(qū)域定位的特征集；變體方法5：在支持分支和查詢分支的每一層上建立交叉注意力機制，并將交互注意力圖作為指導查詢圖片中未知病害區(qū)域定位的特征集。

從表2可以看出，變體方法5在四個評價指標上均取得了最佳的結(jié)果。主要原因是變體方法5中采用了雙分支層間交叉注意力，在支持分支和查詢分支上計算自注意力的基礎(chǔ)上，進一步建立了層間交叉注意力。此外，通過對比變體方法2和變體方法4可以看出，在單一分支上建立多層特征圖有助于提升模型的定位和識別性能；對比變體方法2和變體方法3可知，建立分支間的信息交互同樣有助于提升模型對病害區(qū)域的定位和識別性能。此外，為了進一步驗證層間特征蒸餾模塊的作用，設(shè)計以下2組消融試驗，結(jié)果如表3所示。

從表3可以看出，相比不采用知識蒸餾的網(wǎng)絡(luò)模型，采用知識蒸餾來增強特征表達可靠性的方法可以顯著提升模型對病害區(qū)域的定位能力以及病害類型的分類能力。

3.3 試驗結(jié)果與分析

為了驗證所設(shè)計方法的泛化性，在馬鈴薯、番茄、蘋果和玉米四個作物品種上進行測試，具體細粒度檢測結(jié)果如表4所示?？梢钥闯?，本文方法在馬鈴薯、番茄、蘋果和玉米四個作物品種上的細粒度檢測精準率Precision得分均高于92.00%，mIoU得分均高于86.0%。尤其是對健康葉片的檢測性能更為優(yōu)異，這表明所設(shè)計方法可以有效區(qū)分健康葉片和病害區(qū)域，同時可以有效識別出屬于同類作物的不同病害類型。

此外，為驗證所設(shè)計方法的優(yōu)越性，在相同的數(shù)據(jù)集和評價指標下構(gòu)建Inceptionv3、Faster R-CNN、YOLOv4、YOLOv5、LeNet-5和本文模型。結(jié)果如表5所示，此處選擇每類物種4種病害類型檢測結(jié)果的均值作為對比結(jié)果。

從表5可以看出，在馬鈴薯、番茄、蘋果和玉米四種類型的病害葉片檢測結(jié)果中，所設(shè)計方法在Precision、Recall和F1評價指標下優(yōu)勢明顯；特別是在F1指標下，相比表現(xiàn)最好的Faster R-CNN模型，所提出方法至少提升了1.3%。雖然，本文方法在蘋果病害葉片檢測任務(wù)中的mIoU得分，相比Faster R-CNN和YOLOv5存在一定的劣勢，但本研究方法整體性能最佳，尤其是在馬鈴薯、番茄和玉米任務(wù)上均取得了最佳的mIoU得分。

為了直觀展示上述經(jīng)典模型和本文方法對病害區(qū)域的聚焦程度，分別在玉米、番茄、馬鈴薯和蘋果四種作物病害葉片上進行注意力可視化，具體可視化結(jié)果如圖5所示?？梢钥闯觯岢龅姆椒ㄔ谒念愖魑锶~片的病害圖片中更聚焦病害區(qū)域，定位更準確。

此外，為了測試所提出方法在實際場景中的檢測效果，隨機選擇馬鈴薯、番茄、玉米和蘋果四種類型的50張病害圖片進行測試，并選擇定位精度最高的2個候選框，部分測試可視化結(jié)果如圖6所示。

在測試過程中，平均每張測試圖片的速率為0.26 s，平均測試的精準率為0.943 7。結(jié)果表明，所設(shè)計方法具有一定的實際應(yīng)用價值，為農(nóng)戶進行作物葉片病害檢測提供一定的參考。

4 結(jié)論

提出一種基于層間特征蒸餾網(wǎng)絡(luò)的作物葉片病害檢測新方法，通過將雙分支網(wǎng)絡(luò)的輸出特征圖按照不同尺度的大小下采樣為淺層、中間層和高層特征圖，在強化分支內(nèi)和分支間病害區(qū)域特征表達可靠性的同時，建立分支間不同層上的特征交互，并借助知識蒸餾網(wǎng)絡(luò)促進層間特征的流動和信息交互。通過在馬鈴薯、蘋果、玉米和番茄四種作物病害葉片數(shù)據(jù)集進行測試，驗證所設(shè)計方法的優(yōu)越性。

1） 所提出的作物葉片病害檢測方法在馬鈴薯、蘋果、番茄和玉米四種作物病害葉片數(shù)據(jù)集上的平均檢測精準率為0.953 1、0.966 8、0.955 2和0.954 2，平均mIoU得分為0.887 5、0.901 4、0.887 2和0.895 2。

2） 所提出方法在單一馬鈴薯、蘋果、番茄和玉米葉片上的檢測精準率為0.941 4、0.951 3、0.940 8和0.950 2，均高于對比方法。

3） 構(gòu)造一種分支內(nèi)多層特征提取方法，并利用注意力機制強化層內(nèi)和層間特征的可靠性。在視覺編碼特征圖上提取不同尺度的特征圖，將有助于增強模型對視覺編碼特征的充分利用，可以有效豐富特征語義空間，增強特征表達的可靠性和泛化性。

4） 利用知識整流網(wǎng)絡(luò)將高層的分類信息蒸餾到淺層特征圖中，使淺層特征在保留紋理、邊緣等定位信息的基礎(chǔ)上增強對病害類型的分類能力。

在未來工作中，將充分利用標注葉片的文本信息，通過建立文本特征與視覺特征的對齊，進一步增強特征表達的可靠性。

參 考 文 獻

[ 1 ] 楊佳昊， 左昊軒， 黃祺成， 等. 基于YOLOv5s的作物葉片病害檢測模型輕量化方法[J]. 農(nóng)業(yè)機械學報， 2023， 54（S1）： 222-229.

Yang Jiahao， Zuo Haoxuan， Huang Qicheng， et al. Lightweight method for crop leaf disease detection model based on YOLOv5s [J]. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（S1）： 222-229.

[ 2 ] Huang X B， Chen A B， Zhou G X， et al. Tomato leaf disease detection system based on FC-SNDPN [J]. Multimedia Tools and Applications， 2023， 82（2）： 2121-2144.

[ 3 ] Kaur Prabhjot， Harnal Shilpi， Gautam Vinay， et al. A novel transfer deep learning method for detection and classification of plant leaf disease [J]. Journal of Ambient Intelligence and Humanized Computing， 2023， 14（9）： 12407-12424.

[ 4 ] 李康順， 楊振盛， 江梓鋒， 等. 基于改進YOLOX-Nano的農(nóng)作物葉片病害檢測與識別方法[J]. 華南農(nóng)業(yè)大學學報， 2023， 44（4）： 593-603.

Li Kangshun， Yang Zhensheng， Jiang Zifeng， et al. Detection and identification of crop leaf diseases based on improved YOLOX-Nano [J]. Journal of South China Agricultural University， 2023， 44（4）： 593-603.

[ 5 ] 劉敏， 周麗. 基于多尺度特征融合網(wǎng)絡(luò)的蘋果病害葉片檢測[J]. 中國農(nóng)機化學報， 2023， 44（8）： 184-190.

Liu Min， Zhou Li. Apple disease leaf detection based on multi?scale feature fusion network [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（8）： 184-190.

[ 6 ] 邢鵬康， 李久朋. 基于小樣本學習的馬鈴薯葉片病害檢測[J]. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 203-210.

Xing Pengkang， Li Jiupeng. Potato leaf disease detection based on few?shot learning [J]. Jiangsu Agricultural Sciences， 2023， 51（15）： 203-210.

[ 7 ] 馬麗， 周巧黎， 趙麗亞， 等. 基于深度學習的番茄葉片病害分類識別研究[J]. 中國農(nóng)機化學報， 2023， 44（7）： 187-193， 206.

Ma Li， Zhou Qiaoli， Zhao Liya， et al. Classification and recognition of tomato leaf diseases based on deep learning [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（7）： 187-193， 206.

[ 8 ] 惠巧娟， 孫婕. 基于多尺度特征度量元學習的玉米葉片病害識別模型研究[J]. 江蘇農(nóng)業(yè)科學， 2023， 51（9）： 199-206.

Hui Qiaojuan， Sun Jie. Research on maize leaf disease recognition model based on multiscale feature metric meta?learning [J]. Jiangsu Agricultural Sciences， 2023， 51（9）： 199-206.

[ 9 ] 黃煒， 王娟娟， 殷學麗. 基于特征分離的小樣本蘋果病害葉片檢測[J]. 江蘇農(nóng)業(yè)科學， 2023， 51（23）： 195-202.

Huang Wei， Wang Juanjuan， Yin Xueli. Few?shot apple disease leaves detection based on feature extraction [J]. Jiangsu Agricultural Sciences， 2023， 51（23）： 195-202.

[10] Bedi Punam， Gole Pushkar. Plant disease detection using hybrid model based on convolutional autoencoder and convolutional neural network [J]. Artificial Intelligence in Agriculture， 2021， 5： 90-101.

[11] Zhao Yafeng， Chen Zhen， Gao Xuan， et al. Plant disease detection using generated leaves based on DoubleGAN [J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2021， 19（3）： 1817-1826.

[12] Ying Li， Sun Shiyu， Zhang Changshe， et al. One?stage disease detection method for maize leaf based on multi?scale feature fusion [J]. Applied Sciences， 2022， 12（16）： 7960.

[13] 蔣清健， 姚勇， 王亞玲， 等. 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)算法的番茄葉片病害識別[J]. 江蘇農(nóng)業(yè)科學， 2023， 51（15）： 211-216.

Jiang Qingjiang， Yao Yong， Wang Yaling， et al. Tomato leaf disease recognition based on multi?scale convolutional neural network algorithm [J]. Jiangsu Agricultural Sciences， 2023， 51（15）： 211-216.

[14] Tian Y N， Li E， Liang Z Z， et al. Diagnosis of typical apple diseases： A deep learning method based on multi?scale dense classification network [J]. Frontiers in Plant Science， 2021， 12： 698474.

[15] 馬曉， 董天亮， 鐘聞宇， 等. 基于改進ConvNeXt的大豆葉片病害分類研究[J]. 大豆科學， 2023， 42（6）： 733-741.

Ma Xiao， Dong Tianliang， Zhong Wenyu， et al. Soybean leaf diseases classification method based on improved ConvNeXt [J]. Soybean Science， 2023， 42（6）： 733-741.

[16] Lin H， Tse R， Tang S K， et al. Few?shot learning approach with multi?scale feature fusion and attention for plant disease recognition [J]. Frontiers in Plant Science， 2022， 13： 907916.

[17] 李軍， 李志偉， 李艷紅. 基于多原型指導的小樣本水稻害蟲識別與分類[J]. 江蘇農(nóng)業(yè)科學， 2023， 51（20）： 193-200.

Li Jun， Li Zhiwei， Li Yanhong. Few?shot rice pest recognition and classification based on multi?prototype guidance [J]. Jiangsu Agricultural Sciences， 2023， 51（20）： 193-200.

[18] 劉媛媛， 王定坤， 鄔雷， 等. 基于知識蒸餾和模型剪枝的輕量化模型植物病害識別[J]. 浙江農(nóng)業(yè)學報， 2023， 35（9）： 2250-2264.

Liu Yuanyuan， Wang Dingkun， Wu Lei， et al. A light?weight model for plant disease identification based on model pruning and knowledge distillation [J]. Acta Agriculturae Zhejiangensis， 2023， 35（9）： 2250-2264.

[19] Lin H， Tse R， Tang S K， et al. Few?shot learning for plant?disease recognition in the frequency domain [J]. Plants， 2022， 11（21）： 2814.

[20] Sun J Q， Cao W， Fu X， et al. Few?shot learning for plant disease recognition： A review [J]. Agronomy Journal， 2023， 11（2）： 136-145.