基于深度學習的番茄葉片病害分類識別研究

馬麗 周巧黎 趙麗亞 胡遠輝

摘要：對番茄病害進行及早的診斷與治療有助于提升番茄的產量，將人工智能與農業生產相結合可以對番茄病害進行快速地無損傷檢測。基于此提出一種基于深度學習的番茄葉片病害分類識別研究方法，選取番茄葉片的5類常見病害進行試驗，以MobileNetV3為基礎模型進行改進，分析不同學習方式、激活函數及優化算法對該模型準確性的影響。并將該模型與MobileNetV3、VGG16、ResNet50和InceptionV3作對比，同時采用十折交叉驗證對模型的魯棒性進行評估。研究表明，該模型分類性能良好，對常見的番茄葉片病害圖像的平均識別準確率可達97.29%，無論模型大小、運行時間還是分類精度上都優于其他幾個模型，為番茄葉片常見病害識別提供一定的可參考性。

關鍵詞：番茄病害；多層感知機；空洞卷積；損失函數；識別分類

中圖分類號：S436.412： TP391.4

文獻標識碼：A

文章編號：20955553 （2023） 070187

08

Classification and recognition of tomato leaf diseases based on deep learning

Ma Li， Zhou Qiaoli， Zhao Liya， Hu Yuanhui

（College of Information Technology， Jilin Agricultural University， Changchun， 130118， China）

Abstract： Early diagnosis and treatment of tomato diseases can help to improve the yield of tomatoes. The combination of artificial intelligence and agricultural production can achieve real-time non-destructive detection of tomato diseases. In this study， a research method for tomato leaf disease classification and recognition based on deep learning is proposed. Five kinds of common diseases of tomato leaves are selected for experimentation. Improvements are made to the MobileNetV3 model， and the effects of different learning methods， activation functions， and optimization algorithms on the accuracy of the model are analyzed. The model is compared with MobileNetV3， VGG16， ResNet50， and InceptionV3， and the robustness of the model is evaluated by ten-fold cross-validation. The research shows that the model has good classification performance， achieving an average recognition accuracy of 97.29% for common tomato leaf disease images. The model is superior to other models in terms of model size， running time， and classification accuracy， providing a reference for the recognition of common tomato leaf diseases.

Keywords： tomato diseases; multilayer perceptron; dilated convolution; focal loss; identification and classification

0 引言

作物在生長過程中受各種因素的影響容易發生病蟲害現象，導致農產品產量和質量有所降低。通常情況下，農業病害的檢測與治療都是從作物的葉片部位著手，葉片顏色、病斑顏色、病斑形狀和大小等特征信息都可以反映出作物病害的類別和程度。較為常見的病害檢測方法是人工識別，即依據以往的經驗對病害種類做出識別，及時地噴灑農藥進行治療。但是這種識別方法存在一定的弊端，會耗費很多的人力、物力資源，且農民對病害的識別經驗有限，因此這種方法只適用于小面積種植區域內的病害檢測。

隨著計算機現代化技術的發展，作物的生長狀況監測和病蟲害檢測技術也在不斷升級。可以利用計算機圖像處理技術對病斑圖像做分割處理，然后提取關鍵的病斑特征信息，通過選擇合適的分類器對類別進行輸出，以更加科學準確的方法判斷病害類別。張鑠等［1］對植物的四種病害做聚類分割，以對比顏色空間的方式找出最佳的分割方法，提取病害的13維特征，作為分類依據，結合SVM分類器，識別率為90.67%。楊濤等［2］采取不同的分割方法對川麥冬葉片的病斑進行分離，用主成分分析法去掉作用較差的病斑信息，提取表征能力強的特征向量送入設計的分類器中，測試識別率達到90%。譚秦紅［3］應用無人機在距離地面不同高度處分別獲取大豆病斑葉片的圖像，采用SLIC超像素分割法提取梯度和紋理等方面的特征，結合隨機森林分類方法對單一特征和融合特征進行對比分類，可以達到90%的最佳準確率。圖像處理技術的應用是農業領域中病害識別技術的一個突破性進展，但是也存在一定的局限性，在識別前需要對病害做分割處理，單獨提取特征并制作分類標簽，特征的采集和標簽的制作流程較為復雜。

深度學習的發展推動了卷積神經網絡在農業病害識別方面的應用，并且已經取得一系列的成果。石洪康等［4］對家蠶的五類病害開展研究，收集病害樣本，在特征融合情況下對ResNet50模型進行結構改進，測試準確率為94.31%，且參數量比原來下降了三分之二。梅瑩等［5］建立了三種綠色蔬菜的霜霉病數據樣本庫，以VGG16模型為基礎，減少卷積層和池化層的數量并調整訓練參數，改進模型識別準確率是95.67%。吳淑琦［6］選用公開數據集的三類玉米病害作為試驗對象，在LeNet模型基礎上增加了卷積層和池化層，最高識別率達95%。與圖像處理相比，應用卷積神經網絡可以進一步提高作物病害識別準確率，并且卷積神經網絡可以進行病害特征的自學習，不需要進行復雜的病斑分割操作就可以將圖像送入分類器識別。

本文以番茄的五類病害葉片為主要研究對象，包括番茄細菌斑點病、早疫病、晚疫病、葉霉病、七星葉斑病，在輕量級卷積神經網絡MobileNetV3［7］的基礎上改進模型結構，從學習率、優化器算法和激活函數三方面探究參數變化對改進模型的識別準確率的影響。

1 數據來源及預處理

1.1 番茄葉片病害數據集

本試驗的研究對象為番茄葉部病害的圖像，對葉部病害進行分類識別，試驗數據集來自Plant Village［8］公共數據集和AI Challenge［9］平臺數據集。Plant Village數據庫中包含各類常見的植物葉片病害圖像的數據集，AI Challenger平臺下的農作物病害數據集按照“物種—病害—程度”進行劃分。平臺中的數據以JSON文件的形式進行存儲，可通過Python腳本調用JSON對象的文件名和類別兩個屬性來篩選番茄病害圖像。番茄試驗樣本主要包括七星葉斑病、葉霉病、早疫病、晚疫病、細菌斑5類常見的番茄病害葉片和1類健康葉片。

1.2 圖像預處理

為了保證試驗數據的均衡性、樣本的多樣性和訓練卷積神經網絡模型所需樣本的充足性，對試驗數據進行了數據增強處理［10］。自然環境下的光照強度、病害圖像拍攝角度以及葉片上可能存在灰塵等都會對圖像中病害的識別分類產生重要的影響，因此本文對病害圖像進行了高斯噪聲添加、亮度增強、對比度變換、隨機裁剪和隨機旋轉的預處理操作，以此增強樣本的多樣性，盡可能達到模仿自然環境下對病害識別的效果，擴充后的病害圖像總數為13652張，并對圖像尺寸進行統一調整，以滿足卷積神經網絡對輸入圖像的規格要求。樣本數量中健康葉片數量為2561幅，早疫病葉片為2739幅，晚疫病葉片為2396幅，葉霉病葉片為1960幅，細菌斑病葉片為2459幅，七星葉斑病為2031幅。對6個類別的圖像做擴充處理，示例圖如圖1所示。

2 模型構建

2.1 MobileNetV3模型

MobileNet模型分為三個系列，其中MobileNetV3是由MobileNetV1［11］和MobileNetV2［12］發展而來，它結合了兩個模型各自的優勢，通過進一步簡化結構降低模型參數的方式提升了網絡工作效率。MobileNetV3采用深度卷積和逐點卷積代替標準卷積，大大降低了網絡的計算量。同時采用線性瓶頸和倒置殘差結構，對輸入特征通過先擴展通道再進行壓縮的方式來提取信息，在不改變特征維度的情況下更加便于向量信息的獲取。相比ReLU函數，在低維空間中采用線性瓶頸結構更有助于特征的采集，因此MobileNetV3在通道數量較少的卷積層后連接了線性層結構。

MobileNetV3還將基于擠壓和激發的注意力模塊（Squeeze and Excitation Networks，SE）［13］應用到瓶頸結構中，根據特征通道的重要程度來區分特征的作用大小，對非重要特征進行抑制。對網絡尾部的1×1卷積層和池化層結構做改進，采用H-swish非線性函數，簡化網絡運行的工作量。在低配置的終端下就可以達到較高的分類準確性。MobileNetV3模型結構見表1。

2.2 MobileNetV3模型的改進

2.2.1 感知機構建

多層感知機（Multi-layer Perceptron，MLP）［14］主要由多個神經元層組成，可實現對非線性數據的處理。MLP是前饋神經網絡，由輸入層、隱含層和輸出層構成，其中隱含層的層數可以根據需要調整數量，最簡單的MLP只有一個隱含層，輸入層到隱含層相當于一個全連接層，隱含層到輸出層相當于一個softmax分類器（邏輯回歸Logistic Regression），實現分類的作用。本文在原模型bottleneck模塊的5×5卷積層后連接一層1×1卷積層，構成一個簡單的感知機結構，并引入ReLU非線性函數，增加非線性元素，提升模型的非線性表達能力，而且感知機的特征重用原理可以提升模型的擬合能力，在數據樣本量較少的情況下，提高分類準確性，使訓練效果和測試效果更加貼近。感知機構建方式見圖2。

2.2.2 空洞卷積添加

空洞卷積［15］（Dilated Convolution）是指通過在常規卷積中注入空洞的形式擴大卷積核的尺寸，即擴大卷積核對輸入特征圖進行卷積操作的區域，增加提取特征的多樣性。具體擴大的規模可以通過膨脹系數r和卷積核的尺寸來計算。番茄病害特征在不同類別之間或同種類別的不同階段都會表現出一定的相似性。其中，番茄細菌病和七星葉斑病的葉子輪廓非常像，背景信息上容易致使模型判斷失誤；晚疫病和葉霉病葉片形狀均為細長型，四周邊緣都是卷曲的樣式，個別葉片在病斑上也是非常接近。因此，對番茄葉部病害分類，要全面考慮番茄病害間的相似的背景特征和不易區分的病斑前景特征［16］，加強病害類別的辨別。

擴大卷積核的感受野區域，可以提取更加多樣性、更加全面、更加抽象的深層次特征，幫助網絡鑒別病害的種類。本文在MobileNetV3的第十個和第十一個瓶頸結構的5×5卷積中，引入了擴張系數分別為2和4的空洞卷積。原始卷積核尺寸為5×5，感受野也是5×5，經過擴張后感受野大小分別為9×9、17×17。如圖3所示，以擴張系數r為2舉例，說明卷積核擴張方式。

以添加空洞的形式膨脹卷積核，不僅不會增加圖像特征提取的計算量，還可以將感受野區域擴大，加強模型對輸入特征的學習。

2.2.3 Focal Loss損失函數

Focal Loss（焦點損失）損失函數可以調整分類識別任務中模型對難分類樣本的關注度，增加難分類樣本所占的權重，提升錯誤分類樣本的正確識別率。本文以番茄葉片病害為試驗對象，番茄病害葉片和健康葉片的顏色差異非常小，且不同病斑間的癥狀相似度較大，因此模型需要提升對難分類的番茄葉片病斑的關注度，根據訓練學習減少錯分類樣本的數量。引入Focal Loss損失函數可以減少MobileNetV3網絡在訓練過程中對易分類樣本的權重，減少對難分類樣本識別的干擾［17］。

Focal Loss損失函數是以Cross Entropy Loss損失函數為基礎進行優化的，深度學習中Cross Entropy Loss損失函數對于一個樣本有兩個概率分布，即真實分布和非真實分布，表達式為

Loss=-∑ni=1yilogyi′

（1）

式中：

yi——分類樣本的真實標簽；

yi′——分類樣本的預測標簽。

經過對該損失函數優化得到了Focal Loss損失函數，表達式為

FL（pt）=-（1-pt）γlog（pt）

（2）

式中：

pt——

數據樣本被預測為某個類別的概率；

γ——可調節聚焦參數；

（1-pt）γ——

簡單或困難樣本的調節因子。

調節因子可以使易分類樣本的損失值成倍降低，進而增加難分類樣本所占的損失值，對糾正錯誤分類樣本起到非常關鍵的作用。使難分類的番茄病害圖像在訓練過程中，獲取更高的關注度。

2.3 訓練策略

改進后的番茄病害識別網絡在原有結構的基礎上引入了空洞卷積，在不同的bottleneck層設置不同尺寸的卷積核，提取更加接近于目標對象的抽象特征，降低了不同病害間的相似性給模型訓練帶來的難度。構建感知機結構，防止因數據量過少導致模型的擬合能力得不到提升，并采用Focal Loss損失函數，以提高模型對難分類樣本的關注度，從而提高模型的訓練效率。圖4是基于改進MobileNetV3的模型訓練過程，具體流程如下。

1） 將番茄圖像訓練數據集加載到MobileNetV3模型中進行訓練，獲得模型訓練最初結果并保存。

2） 對MobileNetV3模型的最后兩個瓶頸模塊結構進行改進，增強CNN的局部感知能力，不斷調整網絡超參數獲得最佳參數取值。

3） 利用測試數據集來驗證已訓練模型對6類樣本的識別效果。

4） 對番茄病害識別做10折交叉驗證，以更準確的驗證方法評估模型。

3 結果與分析

3.1 試驗結果

3.1.1 基于DM-MobileNetV3的病害識別

本文模型DM-MobileNetV3是在MobileNetV3的基礎上改進得到的，由圖5和圖6可知，在同樣訓練到60輪的情況下，DM-MobileNetV3模型的識別精度更高，可達到97.29%，相比改進之前的95.16%提升了2.13%，測試的損失值由原來的24.46%下降到6.87%，下降幅度17.59%。DM-MobileNetV3模型的訓練曲線震蕩幅度較小，曲線變化相對平穩。

3.1.2 不同學習方式對模型性能的影響

學習率［18］對模型的識別影響較大，學習率取值太大，容易導致搜索過程出現震蕩從而跳過最優解。學習率取值太小，則會增加模型的學習次數和收斂時間。較高的學習率或較低的學習率都會導致訓練與測試的準確率較低，損失值較大，不利于網絡的訓練學習。在訓練模型時，學習率（Learning rate）為0.01、0.001和0.0001以及0.00001的測試準確率和損失值變化，如圖7和圖8所示。當學習率逐漸增大到0.001時，模型識別率逐漸提高，測試損失值不斷下降。在學習率為0.001時網絡對于番茄葉片病害的識別效果優于之前。當學習率增大到0.01時，準確率不增反降，損失值也明顯上升，這說明學習率的最佳取值會在一個區間范圍內，太大和太小都不利于網絡的訓練。因此，學習率為0.001時網絡對于番茄葉片病害的識別效果達到最優。

3.1.3 不同激活函數對模型性能的影響

圖9和圖10給出了模型使用Sigmoid、ReLU、GLU三種不同激活函數［19］在訓練準確率和損失值上的曲線變化。可以看出，使用激活函數Sigmoid的模型識別準確率低且收斂速度慢，在訓練過程中有明顯的震蕩現象，缺乏穩定性，訓練效果較差；使用激活函數ReLU和GLU的模型相比之下更趨于穩定，在10輪之后逐漸達到收斂狀態，但是使用ReLU函數的模型識別準確率較低，使用激活函數GLU的模型經過60輪訓練后準確率可達到97.29%，準確率基本維持平穩，訓練后的識別效果也較好。從損失值的對比來看，使用GLU激活函數可以使模型的損失度更低、使模型的訓練更加平穩，激活函數GLU能夠有效提升番茄病害識別模型的性能。

3.1.4 不同優化算法對模型性能的影響

優化器［20］的作用是更新和計算影響模型訓練和模型輸出的網絡參數，使其逼近或達到最優值，從而使訓練誤差降低到最小。本文選取SGD、AdaGrad、Adam三種優化器對模型性能進行了測試，模型的識別精度和損失曲線如圖11和圖12所示，選擇SGD和AdaGrad作為模型的優化器時，模型的識別精度都較低損失值都較高，而且SGD更新得過于頻繁致使網絡訓練時間延長；使用AdaGrad時學習越深入，更新的幅度就會越小，訓練到后期時學習率很可能會接近或退化成0，導致梯度無法更新。而Adam可以根據模型訓練情況自動將學習率調整為合適值，網絡對番茄葉片病害的識別精度均高于使用SGD和Adam的模型，損失值也明顯更低。經過對比，使用Adam作為優化器會使得本文模型對于番茄葉片病害的識別效果更好。

3.2 不同識別模型對識別效果的影響

為了進一步驗證本文識別模型的可靠性，在相同的試驗條件下選取不同識別模型進行對比試驗。根據參考文獻［21-23］可知，VGG16、ResNet50和InceptionV3是圖像識別領域常用的卷積神經網絡模型，并且都具有較好的識別效果，因此選擇將其作為本試驗的對比模型。圖13為不同模型的識別精度對比曲線，表2為各模型試驗對比的結果。其中，卷積層數僅為13的VGG16模型的測試準確率僅達到86.63%，識別效果最差；ResNet50模型和InceptionV3模型識別準確率非常接近，均達到93%以上；而DM-MobileNetV3模型達到97.29%的最高準確率，數據規模僅有41.55MB，無論識別精度還是存儲規模都占有優勢。

ResNet50對單張圖片檢測的耗時最長，平均檢測時間為1.72s。VGG16與InceptionV3單張檢測時間分別為0.64s和0.60s，而本文模型DM-MobileNetV3的單張圖片檢測平均耗時僅0.31s，更適合番茄病害圖像的快速檢測。

3.3 模型魯棒性分析

采用單一的測試集對模型進行訓練和評估會存在一定的隨機性，不利于觀察模型的穩定性。因此，為了對模型做出更好的驗證，試驗采用10折交叉驗證［24］（10-fold cross-validation）對模型進行評價，將番茄葉片病害圖像分為10份，依次選取其中的9份作為訓練集來對模型進行訓練，剩余的1份作為測試集驗證模型的識別性能，取10次結果的平均值作為對模型的評價。10次試驗的識別準確率依次為96.98%、98.11%、97.31%、97.22%、97.37%、96.43%、97.61%、98.03%、96.17%、97.72%；平均測試準確率為97.29%，根據試驗結果，該模型準確率和穩定性良好。

4 結論

1） 本文通過改進輕量卷積神經網絡MobileNetV3的bottleneck結構，建立了DM-MobileNetV3番茄病害分類模型。針對番茄葉片病斑的不易分類特征，主要從卷積層和損失函數兩方面來改進，在bottleneck中引入空洞卷積和感知機層，并調整損失函數為Focal Loss函數，使模型的識別精度提升了2.13%。

2） 試驗在設置其他超參數相同的情況下，使用不同的學習率、激活函數和優化器測試模型的性能。試驗結果得出，當采用0.001的學習率、GLU激活函數和Adam優化算法時其模型精確度為97.29%，模型性能最佳。同時十折交叉驗證結果表明該模型的魯棒性良好。

3） 本文在模型改進后，提升了算法的運行效率，平均識別時間為0.31s，低于其他算法。且模型僅有41.55MB，用低內存達到高識別率。與VGG16、ResNet50和InceptionV3相比，DM-MobileNetV3的識別精度和平均檢測時間都占有優勢。

參 考 文 獻

［1］ 張鑠， 謝裕睿， 董建娥. 基于圖像處理的植物葉片病害識別研究［J］. 現代計算機， 2021， 27（34）： 112-116.

Zhang Shuo， Xie Yurui， Dong Jiane. Research on plant leaf disease recognition based on image processing ［J］. Modern Computer， 2021， 27（34）： 112-116.

［2］ 楊濤， 雷進， 朱皓睿. 基于圖像特征融合的麥冬葉部病害識別［J］. 湖北農業科學， 2021， 60（7）： 135-138， 144.

Yang Tao， Lei Jin， Zhu Haorui. Recognition of ophiopogon japonicus disease based on image feature fusion ［J］. Hubei Agricultural Sciences， 2021， 60（7）： 135-138， 144.

［3］ 譚秦紅. 基于無人機圖像處理的大豆葉片病害識別準確率研究［J］. 河南農業科學， 2021， 50（3）： 174-180.

Tan Qinhong. Research on identification accurate rate of soybean leaf diseases based on UAV image processing ［J］. Journal of Henan Agricultural Sciences， 2021， 50（3）： 174-180.

［4］ 石洪康， 肖文福， 黃亮. 基于卷積神經網絡的家蠶病害識別研究［J］. 中國農機化學報， 2022， 43（1）： 150-157.

Shi Hongkang， Xiao Wenfu， Huang Liang.Research on recognition of silkworm diseases based on convolutional neural network ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（1）： 150-157.

［5］ 梅瑩， 尹藝璐， 石稱華. 基于改進VGG卷積神經網絡的葉菜霜霉病智能識別算法研究［J］. 上海蔬菜， 2021（6）： 76-84.

［6］ 吳淑琦. 基于卷積神經網絡的玉米病害識別［J］. 現代信息科技， 2021， 5（9）： 6-9.

Wu Shuqi. Corn disease identification based on convolution neural network ［J］. Modern Information Technology， 2021， 5（9）： 6-9.

［7］ 姚燕， 胡立坤， 郭軍. 基于深度遷移網絡MobileNetV3的地形識別［J］. 廣西大學學報（自然科學版）， 2021， 46（4）： 996-1007.

Yao Yan， Hu Likun， Guo Jun. Terrain recognition based on deep transfer network MobileNetV3 ［J］. Journal of Guangxi University （Natural Science Edition）， 2021， 46（4）： 996-1007.

［8］ Sachin D， Tarun G， Dushyant G. Performance analysis of deep learning architectures for plant leaves disease detection ［J］. Measurement： Sensors， 2022， 24.

［9］ 樊湘鵬， 周建平， 許燕， 等. 基于改進卷積神經網絡的復雜背景下玉米病害識別［J］. 農業機械學報， 2021， 52（3）： 210-217.

Fan Xiangpeng， Zhou Jianping， Xu Yan， et al. Corn disease recognition under complex background based on improved convolution neural network ［J］.Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（3）： 210-217.

［10］ Yadav D， Banga A， Yadav A K. A novel convolutional neural network based model for recognition and classification of apple leaf diseases ［J］. Traitement du Signal， 2020， 37（6）： 1093-1101.

［11］ Cai Kewei， Miao Xinying， Wang Wei， et al. A modified YOLOv3 model for fish detection based on MobileNetv1 as backbone ［J］. Aquacultural Engineering， 2020， 91： 102117.

［12］ Indraswari R， Rokhana R， Herulambang W. Melanoma image classification based on MobileNetV2 network ［J］. Procedia Computer Science， 2022， 197： 198-207.

［13］ 劉強， 張道暢. 結合SENet的密集卷積生成對抗網絡圖像修復方法［J］. 小型微型計算機系統， 2022， 43（5）： 1056-1060.

Liu Qiang， Zhang Daochang.Dense convolution generate adversarial network image inpainting method with SENet ［J］. Journal of Chinese Mini-Micro Computer Systems， 2022， 43（5）： 1056-1060.

［14］ 劉萬軍， 李琳. 改進感知機多類分類方法在車輛類型識別中的應用［J］. 計算機應用與軟件， 2015， 32（9）： 152-156， 174.

Liu Wanjun， Li Lin. Application of improved perceptronmulti-class classification method in recognition of automobile models ［J］. Computer Applications and Software， 2015， 32（9）： 152-156， 174.

［15］ 劉萬軍， 李嘉欣， 曲海成. 基于多尺度卷積神經網絡的交通標示識別研究［J］. 計算機應用研究， 2022， 39（5）： 1557-1562.

Liu Wanjun， Li Jiaxin， Qu Haicheng. Study on traffic sign recognition based on multi-scale convolutional neural network ［J］. Application Research of Computers， 2022， 39（5）： 1557-1562.

［16］ 于合龍， 沈金夢， 畢春光. 基于知識圖譜的水稻病害關聯特征挖掘方法［J］. 吉林農業大學學報， 2021， 43（2）： 181-188.

Yu Helong， Shen Jinmeng， Bi Chunguang. Associated features mining method of rice diseases based on knowledge graph ［J］. Journal of Jilin Agricultural University， 2021， 43（2）： 181-188.

［17］ 崔子越， 皮家甜， 陳勇， 等. 結合改進VGGNet和Focal Loss的人臉表情識別［J］. 計算機工程與應用， 2021， 57（19）： 171-178.

Cui Ziyue， Pi Jiatian， Chen Yong， et al. Facial expression recognition combined with improved VGGNet and Focal Loss ［J］. Computer Engineering and Applications， 2021， 57（19）： 171-178.

［18］ Zhang Jinjing， Hu Fei， Li Li， et al. An adaptive mechanism to achieve learning rate dynamically ［J］. Neural Computing and Applications， 2019， 31（10）： 6685-6698.

［19］ 徐艷蕾， 何潤， 翟鈺婷. 基于輕量卷積網絡的田間自然環境雜草識別方法［J］. 吉林大學學報（工學版）， 2021， 51（6）： 2304-2312.

Xu Yanlei， He Run， Zhai Yuting.Weed identification method based on deep transfer learning in field natural environment ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021， 51（6）： 2304-2312.

［20］ 畢常遙， 袁曉彤. 基于Adam局部優化的分布式近似牛頓深度學習模型訓練［J］. 計算機應用與軟件， 2021， 38（10）： 278-283.

Bi Changyao， Yuan Xiaotong.Deep learning training via distributed approximate newton-type method based on Adam local optimization ［J］. Computer Applications and Software， 2021， 38（10）： 278-283.

［21］ 王林柏， 張博， 姚竟發， 等. 基于卷積神經網絡馬鈴薯葉片病害識別和病斑檢測［J］. 中國農機化學報， 2021， 42（11）： 122-129.

Wang Linbai， Zhang Bo， Yao Jingfa， et al.Potato leaf disease recognition and potato leaf disease spot detection based on Convolutional Neural Network ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 122-129.

［22］ Wang Guowei， Yu Haiye， Sui Yuanyuan. Research on maize disease recognition method based on improved ResNet50 ［J］. Mobile Information Systems， 2021.

［23］ Methuni N R， Yasmini R， Begumi N， et al. Carrot disease recognition using deep learning approach for sustainable agriculture ［J］. International Journal of Advanced Computer Science and Applications （IJACSA）， 2021， 12（9）.

［24］ 梁子超， 李智煒， 賴鏗. 10折交叉驗證用于預測模型泛化能力評價及其R軟件實現［J］. 中國醫院統計， 2020， 27（4）： 289-292.

Liang Zichao， Li Zhiwei， Lai Keng.Application of 10-fold cross-validation in the evaluation of generalization ability of prediction models and the realization in R ［J］. Chinese Journal of Hospital Statistics， 2020， 27（4）： 289-292.