基于超輕量化卷積神經網絡的番茄病蟲害診斷

梁凱博 孫立 汪禹治 靳龍豪 燕雪倩 曾旺

摘要： ?針對番茄病蟲害診斷中存在的傳統卷積神經網絡結構復雜、難以直接應用于便攜終端，以及現有輕量化卷積神經網絡特征提取能力弱、識別準確率低、難以滿足實際需要等問題，本研究擬在原有輕量化卷積神經網絡的基礎上，定義超輕量化卷積神經網絡，設計一種基于SqueezeNet網絡改進的超輕量化卷積神經網絡，將其用于番茄病蟲害診斷任務中。首先，改進SqueezeNet網絡中的Fire模塊，生成2種適用于不同特征維度的Fire模塊，并引入ECA（高效通道注意力）模塊以提高模型的特征提取能力；其次，結合擴展型指數線性單元函數（SELU）和Mish函數，替代修正線性單元函數（ReLU）作為激活函數；再次，采用軟池化（Softpool）替代原始的最大池化；最后，利用中心損失函數（Center loss）改進指數歸一化損失函數（Softmax loss），提高對近似病蟲害的識別準確率。本研究選擇了8種害蟲和9種病害，對害蟲、病害、病蟲害3類數據集進行數據增強，并探討了數據的小樣本性、不平衡性對模型性能的影響。結果表明，本研究提出的模型具有超輕量化的特點，對害蟲、病害、病蟲害的識別準確率最高分別可達98.83%、98.14%和97.71%，能夠很好地滿足番茄病蟲害診斷需求。

關鍵詞： ?圖像識別； 番茄病蟲害； 超輕量化卷積神經網絡； 不平衡性

中圖分類號： ?S641.2;TP391.41 ???文獻標識碼： A ???文章編號： ?1000-4440（2024）03-0438-12

Diagnosis of tomato pests and diseases based on super lightweight convolutional neural network

LIANG Kai-bo1，2， SUN Li1， WANG Yu-zhi2， JIN Long-hao1， YAN Xue-qian3， ZENG Wang1

（ 1.School of Information， Beijing Wuzi University， Beijing 101149， China; 2.School of Management Engineering， Capital University of Economics and Business， Beijing 100070， China; 3.School of Data Science and Statistics， Beijing Wuzi University， Beijing 101149， China）

Abstract： ?In the diagnosis of tomato diseases and pests， traditional convolutional neural network structures are complex and hard to be directly applied to portable terminals. Besides， existing lightweight convolutional neural networks exhibit weak feature extraction capabilities， low recognition accuracy， and are inadequate for practical applications. Aiming at the above problems， we intended to define a super lightweight convolutional neural network based on existing lightweight convolutional neural network， and to design an ultra-lightweight convolutional neural network by improving the SqueezeNet network for tomato disease and pest diagnosis tasks. Firstly， we enhanced the Fire module in the SqueezeNet network， generated two Fire modules suitable for different feature dimensions. We introduced efficient channel attention （ECA） module to improve feature extraction capabilities of the model. Secondly， we incorporated scaled exponential linear unit （SELU） and Mish to replace rectified linear unit （ReLU） as activation function. Next， we employed Softpool instead of the original max pooling. Finally， we enhanced the exponential normalized loss （Softmax loss） by using Center loss function to improve the recognition accuracy of approximate diseases and pests. In this experiment， we selected eight types of pests and nine types of diseases to perform data augmentation on three datasets （pests， diseases， diseases and pests）， and investigated the impact of small sample and data imbalance on model performance. Experimental results demonstrated that the network proposed in this study had super lightweight characteristics. The recognition accuracies for pests， diseases， and diseases and pests could reach up to 98.83%， 98.14% and 97.71%， respectively， which met the requirements for diagnosis effectively.

Key words： ?image recognition; tomato pests and diseases; super lightweight convolutional neural network; imbalance

精準農業是一種利用現代技術和數據分析方法來優化農業生產、對農田和作物進行精確管理的模式[1]。隨著數字智能化技術的不斷完善，基于精準農業理念進行精細化生產和病蟲害管理逐漸成為農業發展的主流。番茄是一種常見蔬菜，其產量在世界范圍內僅次于馬鈴薯[2]。番茄病蟲害是威脅番茄產量和品質的主要因素之一[3]，因此番茄病蟲害診斷對產業發展至關重要。

目前，病蟲害快速診斷主要通過輪廓識別和深度學習實現[4-5]，但傳統輪廓識別方式依賴于人工提取特征，難以滿足自動化需要[6]。在以往病蟲害診斷與防治的大規模研究中[7-8]，由于病蟲害種類繁多，形態復雜，傳統輪廓識別方式難以滿足精確診斷的要求，因此學者們一方面開發基于深度學習的病蟲害診斷方法[9-10]，另一方面大規模收集數據集以滿足深度學習對于特征的提取要求[11]。然而，在農業領域，病蟲害防治一般位于田間[12-13]，便攜式終端難以運行復雜網絡，現有輕量化模型的準確率難以滿足實際需求。此外，受拍攝條件影響，所獲數據集不能保證數據量充足以及各子數據集之間的平衡，成為病蟲害精準防治的巨大阻礙。

本研究擬基于輕量化模型SqueezeNet，通過對其基本結構、激活函數、損失激活函數分別進行改進、優化，構建一種超輕量化網絡模型SSCNet（Squeeze-Smish-Centersoftmax Net），對8種番茄蟲害和9種番茄病害進行識別研究，以期更好地實現番茄病蟲害診斷的輕量化、高效化。

1 材料與方法

1.1 模型介紹

1.1.1 SqueezeNet網絡 ?隨著深度學習研究的不斷深入，卷積神經網絡（Convolutional neural network，CNN）的應用朝著輕量化、高精度方向發展。通過精簡可學習的參數數量、減少網絡整體計算量等方式，能夠有效提升訓練效率、改善存儲效率、節省占用內存，SqueezeNet[14]是輕量化網絡的代表，具體結構見圖1。通過將3×3卷積替換為1×1卷積，并進行降采樣后置，使其參數量大幅度減少。此外，Fire模塊作為網絡主干，由Squeeze和Expand 2部分構成，其中，Squeeze部分由1組連續1×1卷積組成，Expand部分由1組連續1×1卷積和1組連續3×3卷積融合而成，保證模型性能的同時大幅度提升模型效率。

然而，由于現有版本的SqueezeNet存在結構簡單、參數量少等特性，使其在處理大規模數據集或多分類數據集時效果不佳[15-18]；此外，盡管SqueezeNet已基本實現輕量化，但仍有提升空間[19]。因此，本研究在現有輕量化網絡的基礎上，將超輕量化網絡定義為：基于高效的網絡計算方式，使參數量不超過1×106，并在處理圖像識別與分類任務中實現較高精度的一種網絡類型。

在上述定義的基礎上，本研究對SqueezeNet進行改進優化，試圖達到網絡性能與效率之間的平衡。

1.1.2 SSCNet網絡 ?本研究對SqueezeNet網絡進行優化，提出了SSCNet網絡（圖2）。具體優化情況如下：第一，改進Fire模塊，引入ECA（Efficient channel attention）模塊；第二，結合擴展型指數線性單元函數（SELU）與Mish激活函數，提出一種平滑混合激活函數（Smish），并將其應用到改進網絡中；第三，用軟池化（Softpool）替代最大池化；第四，基于中心損失函數（Center loss）改進指數歸一化損失函數（Softmax loss），提出一種中心指數歸一化損失函數（CenterSoftmax）。

1.1.3 SSCNet網絡的特征提取 ?特征提取是卷積神經網絡中的關鍵步驟，決定了網絡對輸入數據的理解能力[20]。為了提升特征提取能力，SSCNet網絡引入了一系列改進措施。

1.1.3.1 改進的Fire模塊 Fire模塊（圖3）能夠保證模型特征提取能力，減少模型參數。本研究考慮到番茄病蟲害圖像周遭環境復雜，模型需要提取更高維度特征以進行歸一化并分類，基于原Fire模塊，本研究減少卷積層數量，調整其卷積核大小，并增加批歸一化（Batch normalization，BN）。圖3顯示，改進的Fire1模塊采用1×1和3×3的卷積核進行特征初步提?。桓倪M的Fire2模塊采用3×3和5×5的卷積核進行高維特征提取。

1.1.3.2 ECA模塊 注意力機制[21-23]能夠賦予卷積神經網絡“重點關注”的能力，讓網絡更加關注那些相對更重要的輸入。由于進行番茄病蟲害診斷時背景復雜、“噪音”較多，常規網絡訓練難以獲得較好的結果，因此本研究引入ECA模塊，實現輸入特征圖通道特征的增強（圖4）。由于病蟲害數據集拍攝角度、距離及位置難以保持一致，圖像中各類物體大小不一，將ECA模塊集成到各個Fire模塊之后，通過動態調整其卷積核大小來適應不同通道數的特征圖，進而實現不同程度的跨通道交互，提升識別病蟲害的能力。其公式為：

k=（C）=| log2（C） γ + b γ |odd （1）

其中，k為卷積核大小；C為通道數；||odd表示k只能為奇數；γ和b為控制k和C比例的超參數，使k能夠動態地根據C選擇其大小。此處γ設置為2，b設置為1[22]。

1.1.3.3 平滑混合激活函數 在當前研究中，因結構簡單、收斂速度快，修正線性單元函數（ReLU）得到了廣泛應用，但也存在神經元容易死亡、參數無法更新等問題。目前，大量改進的ReLU被相繼提出[24-27]，其中擴展型指數線性單元函數能夠實現輸出內部歸一化，及對網絡的自歸一化，避免出現梯度消失和爆炸等問題，如公式（2）所示：

SELU（x）=λ α（ex-1）， （x≤0） ???x， （x>0） ?（2）

其中，λ表示輸入值。為了使神經網絡權重在連續反向傳播迭代中穩定，需要使每個層的激活輸出的均值為0，此時就需要λ充當平衡因子，由公式（3）求解；此外，為了控制函數在負半軸上的指數衰減速度，就需要用α來進行控制，由公式（4）求解；互補誤差函數efrc（x）則是用來計算SELU函數中λ參數的優化值，避免其訓練過程中出現梯度消失或爆炸等問題，計算方法見公式（5）。

λ=[2erfc（ 2 ）e2+πerfc（ 1 ?2 ?）2e-2（2+π）erfc（ 1 ?2 ?） e +π+2]- ?1 2 ≈1.050 7 （3）

α=- ???2 π ??erfc（ 1 ?2 ?）exp（ 1 2 ）-1 ≈1.673 26 （4）

efrc（x）=1- 2 ?π ?∫x0e-t2dt （5）

式中，x為函數的自變量；t為用于積分運算的虛擬變量，表示函數中某一點的值。

盡管SELU避免了ReLU中的部分問題，但由于SELU依然存在強制性等缺陷，難以進一步提升網絡收斂速度，因此本研究引入Mish函數與之進行結合。

Mish函數具有無上界有下界、無窮階連續性和光滑性等優勢。相較于ReLU系列函數，Mish函數的泛化性能更好。如公式（6）～公式（8）所示：

Mish（x）=xTanh[Softplus（x）] （6）

Tanh（x）=（ex-e-x）/（ex+e-x） （7）

Softplus（x）=ln（1+ex） （8）

但Mish函數計算復雜，時間成本高，直接應用則與超輕量化理念不符。故本研究在ReLU函數的基礎上，結合SELU、Mish 2種函數特點，設計一種新激活函數，即Smish函數（圖5），計算見公式（9）：

Smish（x）=λ xTanh[Softplus（x）]， （x≤0） ???????x， （x>0） ?（9）

對公式（9）求導，如公式（10）所示：

Smish′（x）=λ ?exω δ2 ， （x≤0） 1， （x>0） ?（10）

ω=4（x+1）+4e2x+e3x+ex（4x+6） （11）

δ=2ex+e2x+2 （12）

當x>0時，Smish函數取值與SELU函數相同，很好地繼承ReLU系列函數輕量的特點，提高了計算效率；當x≤0時，Smish函數取值為λ與Mish函數的乘積。其中Mish函數部分一方面避免了x接近負無窮時的“飽和區”，另一方面穩定了網絡梯度，能夠讓神經元得到有效更新。此外，Smish函數計算公式中保留SELU中λ的取值，能夠確保函數斜率大于1（圖5），放大病蟲害數據間的細微差距。

1.1.3.4 Softpool 常見池化操作有最大池化（Maxpool）和平均池化（Averagepool），但有研究結果表明上述2種池化會丟失大量圖像信息，降低網絡整體性能[28]。為保證超輕量化網絡性能，本研究引入Softpool替代原Maxpool。根據特征值計算區域（R）的特征值權重，如公式（13）所示：

ωi= eai ∑ ?j∈R eaj ?（13）

其中，權重（ωi）能夠保證傳遞重要特征，區域（R）中特征值在反向傳遞時都將預設最小梯度，i和j均指池化窗口內像素的索引，而ai和aj分別指池化窗口中第i個和第j個元素的激活值。得到權重（ωi）后，通過加權區域（R）內特征值得到的輸出為：

a ～ = ??j∈R ωi×ai （14）

1.1.3.5 改進指數歸一化損失函數 在多分類識別中，常用的分類損失函數為Softmax loss[29]，通過對模型輸出進行Softmax變換，將其轉換為概率分布，然后計算Softmax輸出與實際標簽之間的交叉熵損失，從而量化預測輸出與實際標簽之間的差異，如公式（15）所示：

lSoftmax loss= - 1 N ??N i=1 ??M j=1 yi，jln ?eZi，j ??M k=1 eZi，k ??（15）

式中，N是數據集中樣本總量；M是病蟲害類別數量；yi，j是第i個樣本的第j類別的實際標簽；Zi，j、Zi，k分別是第i個樣本分別屬于第j個、第k個類別的模型預測輸出； ?M k=1 eZi，k是指第i個樣本的所有預測輸出進行歸一化后轉換為概率分布； eZi，j ??M k=1 eZi，k 則是預測第i個樣本屬于類別j的概率。

對于病蟲害數據集來說，Softmax loss計算了所有預測輸出與實際病蟲害標簽之間的交叉熵，并將所有樣本的交叉熵取平均值作為整個數據集的損失值。然而，盡管相似病蟲害之間存在一定的類內變化，但由于Softmax loss對這些深層特征不具備足夠的辨別能力，因此難以進行識別。

近年來以Center loss[30]為代表的解決樣本特征類間距過小的函數相繼被提出，如公式（16）所示：

lCenter loss= 1 2 ??m i=1 ‖xi-cyi‖2 （16）

式中，xi指第i個樣本的特征向量；yi則是與xi所對應的類別標簽；cyi是指yi的類別中心，即網絡訓練過程中對于每一個批次數據中某一類病蟲害特征的中心，為了對該類病蟲害進行判別，需要該類病蟲害中所有特征與特征中心的距離盡可能小。但由于cyi在網絡訓練過程中隨著深層特征的改變不斷更新，因此在網絡迭代中平均每一類病蟲害的特征并不現實。

本研究基于Center loss，設計一種改進的損失函數，此處將其命名為中心指數歸一化損失函數，具體計算見公式（17）～公式（19）。公式（17）是計算特征向量（xi）相對于Center loss的梯度，可用于說明特征向量與其類別中心的偏離方程對于損失函數的影響。其中xi代表神經網絡的特征向量，cyi為特征向量所對應的類別中心。在公式（18）中，△Cj表示類中心（cj）的更新量，δ（yi=j）是一個指示函數，當樣本i的真實標簽（yi）等于類別j時取值為1，否則取值為0。公式（18）基于所有屬于同一類j的樣本計算類中心（cj）的更新量，通過特征向量（xi）與其類別中心（cj）之間的差異來增大病害與病害、害蟲與害蟲之間的類間距，從而使得區分2種相似的病蟲害時準確率更高。對每類病蟲害來說，將其樣本的類別中心與其類別特征中心相減后取均值，獲得不同樣本類別中心的步進值。在此基礎上，類別隨著網絡模型訓練的不斷迭代，損失值不斷縮小，相似病蟲害間隔逐步增大，使得識別結果更加準確[31]。

lc xi =xi-cyi （17）

△Cj= ??m i=1 δ（yi=j）×（cj-xi） 1+ ?m i=1 δ（yi=j） ?（18）

l=lSoftmax loss+λlCenter loss （19）

1.2 試驗預備

本試驗的整體流程見圖6。

1.2.1 數據集描述 ?本研究數據包括2部分，分別為番茄葉害蟲數據集和番茄葉病害數據集。其中害蟲數據由Huang等[32]自行收集（圖7A）；病害數據集源于Plant Village數據集中的番茄葉病害數據集[33]（圖7B）。上述2個數據集的具體情況分別見表1、表2。

1.2.2 試驗環境 ?編程語言為Python3.6；深度學習框架為Tensorflow2.0。圖像處理單元（GPU）為Tesla V100-PCIE-16 GB，運行內存為12 G。

1.2.3 數據預處理 ?將所有圖像的分辨率統一為224×224×3，JPG格式。所有數據集均按照8∶2的比例分成訓練集與測試集。

1.2.4 數據增強 ?數據增強能較好解決小樣本和數據不平衡的情況，避免過擬合和性能下降等問題。由表1、表2可知，番茄葉害蟲數據集數據量少且不平衡，番茄葉病害數據集數據量雖充足，但也存在不平衡的問題。本研究通過旋轉、平移、色度變換及隨機視角等方式對數據進行增強與整理，得到數據集有：

（1）4個數據平衡的番茄害蟲數據集。通過增強，將原番茄蟲害數據集擴充為數據總量分別為4 000、4 800、5 600及6 400的4個數據集，每個數據集中各子數據集的數據量相等。

（2）4個數據不平衡的番茄害蟲數據集。通過增強，將原番茄害蟲數據集按照各子數據集分布比例進行擴充，4個數據集的數據總量分別為4 000、4 800、5 600及6 400。

（3）2個番茄病害數據集。番茄病害的原數據集即為不平衡的番茄病害數據集。通過增強，對數據量不足1 453的子數據集進行增強，數據量超過1 453的子數據集通過隨機刪除使其數據量減至1 453，在原有不平衡番茄病害數據集的基礎上，形成數據總量為14 530的數據平衡的番茄病害數據集。

（4）1個數據不平衡的番茄病蟲害數據集。將原番茄害蟲數據集和原番茄病害數據集融合，得到包含18個類別、數據總量為15 147的數據集。

（5）1個數據平衡的番茄病蟲害數據集。通過增強，分別對數據量不足842的子數據集進行增強，對于數據量超過842的子數據集通過隨機刪除使數據量減至842，最后形成數據量為15 156、包含18個類別、各子數據集數據量均為842的數據集。

1.2.5 超參數設置 ?為保證試驗規格一致，將預設超參數設置為：學習率為0.000 1，迭代次數為50，優化器為Adam，批量大小為32，訓練方式為5折交叉驗證。

1.2.6 模型訓練評價標準 ?本研究重點關注的指標有4個，分別是準確率、參數量、運行時間及方差。其中準確率[12]和運行時間作為最直觀的評判指標。準確率的計算參照公式（20）。

Accuracy= TP+TN TP+TN+FP+FN ?（20）

其中，TP為真陽率；TN為假陰率；FP為假陽率；FN為假陰率。

2 結果與分析

2.1 SSCNet模型的特征提取效果

特征圖是卷積神經網絡中的重要輸出，代表了不同層級抽象特征的結果。圖8顯示，通過引入注意力機制模塊、調整池化和激活函數等，SSCNet模型能夠生成更具代表性的特征圖，從而能夠更好地反映輸入的病蟲害圖像中的關鍵信息。

2.2 網絡對比

為驗證SSCNet模型的性能，本研究選取主流模型及輕量化CNN模型進行對比試驗，試驗選用1.2.4節中的數據不平衡的番茄病蟲害數據集。表3顯示，相較于傳統CNN模型和常規輕量化CNN模型，SSCNet在參數量和訓練時間上存在較大優勢，在識別準確率和方差上也存在一定優勢。

從整體來看，除Vit模型外，其他模型的識別精度均未達到能夠開展真實診斷工作的要求（但考慮到Vit模型的訓練時間長、成本過高，并不符合本研究提出的超輕量化網絡定義，故不進行進一步的討論）。為了探究造成這一現象的原因，本研究從數據平衡性角度出發，討論不同樣本量及數據平衡性對于模型性能的影響。

2.3 數據集的小樣本性和數據不平衡性對模型性能的影響

2.3.1 不同蟲害數據集對模型性能的影響 ?表4顯示，原始數據集的數據量較少，導致難以進行有效的網絡特征提取，進而出現過擬合現象，無法滿足需求。在比較平衡數據集和不平衡數據集時，發現使用平衡數據集時模型準確率更高，說明數據不平衡性確實會對模型性能產生影響。

2.3.2 不同病害數據集對模型性能的影響 ?病害數據集數據量較大，因此不考慮進一步擴充。表5顯示，平衡數據集與不平衡數據集間的模型性能差異較小，但是使用平衡數據集時模型整體性能更優。

2.3.3 不同病蟲害數據集對模型性能的影響 ?表6顯示，病害數據與害蟲數據融合后，導致數據集的不平衡性進一步加劇。將數據集進行平衡處理后，模型識別準確率有了明顯提升。因此，影響模型識別精度的主要因素是各子數據集之間的平衡性。

2.4 基于SSCNet的試驗結果對比

本研究在模型主體、激活函數、池化操作及損失函數處均進行了改進。為驗證改動的必要性，對比改動優勢，選用數據平衡的番茄病蟲害數據集對SSCNet模型進行試驗，結果（圖9）表明，SSCNet模型在訓練過程中訓練集準確率提升穩定；驗證集準確率在迭代前期經歷了較大波動，隨著迭代次數的不斷增加，變化也逐步趨于穩定。

2.4.1 基于不同激活函數的試驗結果對比 ?表7顯示，激活函數類型對模型性能有一定影響。其中使用Smish的SSCNet模型識別準確率為96.27%，其模型訓練時間與ReLU等函數差距不大，但更加穩定。因此綜合來看，使用Smish的SSCNet模型更能滿足現實中病蟲害診斷的要求。

2.4.2 基于不同池化操作的試驗結果對比 ?對比Softpool、Maxpool和Averagepool對SSCNet模型識別性能的影響，表8顯示，使用Softpool的SSCNet模型識別準確率達96.27%，相比于使用其他2種常見池化操作更能滿足番茄病蟲害的診斷要求。

2.4.3 基于不同注意力模塊的試驗結果對比 ?對比不同注意力模塊在SSCNet模型中的表現，表9顯示，不同注意力模塊對模型性能影響不同，使用ECA模塊的SSCNet模型識別準確率達96.27%，結果優于使用其他2種注意力模塊。

2.4.4 消融試驗 ?為了驗證對SSCNet模型中各個結構改動的可靠性，本研究進行消融試驗。表10顯示，盡管去掉一些模塊后模型效率更高，但模型整體性能也會不同程度地下降。綜合來看，SSCNet模型表現更優。

2.4.5 不同超參數對比 ?除了數據量及網絡結構之外，超參數也是影響模型性能的指標之一。為了探究超參數對模型性能的影響，本研究對比了不同優化器及學習率（優化器為Adam、SGD和RMSProp；學習率設置為0.010 0、0.001 0及0.000 1）下的結果。表11顯示，當優化器與學習率的組合為Adam+0.001、RMSProp+0.001、Adam+0.001時，SSCNet模型的表現分別在害蟲、病害及病蟲害診斷任務中最好，準確率分別為98.83%、98.14%和97.71%，能較好地完成番茄病蟲害診斷任務。

3 討 論

針對當前卷積神經網絡在進行番茄病蟲害診斷時因結構過于復雜導致難以應用于手持終端設備，以及現有輕量化網絡特征提取能力弱、識別準確率低、難以滿足實際需求等問題[34-37]，本研究在輕量化卷積神經網絡的基礎上，定義了超輕量化卷積神經網絡，并依照該定義設計了一種超輕量化卷積神經網絡SSCNet，比常規輕量化卷積神經網絡效率更高、性能更強。此外，通過討論數據小樣本性、不平衡性以及模型內不同結構對模型性能的影響，可得出以下結論：第一，由2.3節中3組試驗結果可知，數據不平衡對模型性能影響較大；第二，由2.4節中5組試驗結果可知，模型中各個結構的細微變化均會對模型識別性能產生較大影響。因此在后續工作中為了保證模型在番茄病蟲害診斷任務中的準確率和穩定性，應注意以下2個方面：第一，要避免子數據集之間的數據量差距過大、出現不平衡現象；第二，在模型訓練過程中，針對特定識別任務對于模型結構、超參數進行適當調整，從而獲得最優效果。

參考文獻：

[1] ?PIERCE F J， NOWAK P. Aspects of precision agriculture[J]. Advances in Agronomy，1999，67：1-85.

[2] AGARWAL M， GUPTA S K， BISWAS K K. Development of efficient CNN model for tomato crop disease identification[J]. Sustainable Computing：Informatics and Systems，2020，28：100407.

[3] REN F， LIU W， WU G. Feature reuse residual networks for insect pest recognition[J]. IEEE Access，2019，7：122758-122768.

[4] 彭紅星，何慧君，高宗梅，等. 基于改進ShuffleNetV2模型的荔枝病蟲害識別方法[J]. 農業機械學報，2022，53（12）：290-300.

[5] 曹樂平. 基于機器視覺的植物病蟲害實時識別方法[J]. 中國農學通報，2015，31（20）：244-249.

[6] ALVES A N， SOUZA W S R， BORGES D L. Cotton pests classification in field-based images using deep residual networks[J]. Computers and Electronics in Agriculture，2020，174：105488.

[7] BOLLIS E， MAIA H， PEDRINI H， et al. Weakly supervised attention-based models using activation maps for citrus mite and insect pest classification[J]. Computers and Electronics in Agriculture， 2022， 195： 106839.

[8] HUANG M L， CHUANG T C， LIAO Y C. Application of transfer learning and image augmentation technology for tomato pest identification[J]. Sustainable Computing：Informatics and Systems，2022，33：100646.

[9] 周 維，牛永真，王亞煒，等. 基于改進的YOLOv4-GhostNet水稻病蟲害識別方法[J]. 江蘇農業學報，2022，38（3）：685-695.

[10] 溫長吉，王啟銳，陳洪銳，等. 面向大規模多類別的病蟲害識別模型[J]. 農業工程學報，2022，38（8）：169-177.

[11] 羅昱晟，冉力爭，張小榮，等. 基于大數據與圖像識別的柑橘病蟲害防治系統的設計與實現[J]. 智能計算機與應用，2020，10（12）：170-173.

[12] 駱潤玫，殷惠莉，劉偉康，等. 基于YOLOv5-C的廣佛手病蟲害識別[J]. 華南農業大學學報，2023，44（1）：151-160.

[13] 楊英茹，吳華瑞，張 燕，等. 基于復雜環境的番茄葉部圖像病蟲害識別[J]. 中國農機化學報，2021，42（9）：177-186.

[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[J]. arXiv，2016. DOI：10.48550/arXiv.1602.07360.

[15] ERTAM F， YAKUT O F， TUNCER T. Pattern lock screen detection method based on lightweight deep feature extraction[J]. Neural Computing and Applications，2023，35（2）：1549-1567.

[16] ZHONG H， LYU Y， YUAN R， et al. Bearing fault diagnosis using transfer learning and self-attention ensemble lightweight convolutional neural network[J]. Neurocomputing，2022，501：765-777.

[17] ZHONG Y， HAO J， LIU Q， et al. Novel diagnosis method for GIS mechanical defects based on an improved lightweight CNN model with load adaptive matching[J]. IEEE Transactions on Industrial Informatics，2023，19（11）：11041-11051.

[18] MINU M， CANESSANE R， RAMESH S. Optimal squeeze net with deep neural network-based arial image classification model in unmanned aerial vehicles[J]. Traitement Du Signal，2022， 39（1）：275-281.

[19] PANG Y， ZHANG Y， WANG Y， et al. SOCNet： a lightweight and fine-grained object recognition network for satellite on-orbit computing[J]. IEEE Transactions on Geoscience and Remote Sensing，2022，60.DOI：10.1109/TGRS.2022.3216215.

[20] LI Y， NIE J， CHAO X. Do we really need deep CNN for plant diseases identification？[J]. Computers and Electronics in Agriculture， 2020，178：105803.

[21] HU J， SHEN L， SUN G. Squeeze-and-excitation networks[C]. Salt Lake City，UT，USA：IEEE，2018.

[22] WANG Q， WU B， ZHU P， et al. ECA-Net：efficient channel attention for deep convolutional neural networks[C]. Seattle， WA， USA：IEEE，2020.

[23] WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[C]. Munich，Germany：Springer，2018.

[24] KLAMBAUER G， UNTERTHINER T， MAYR A， et al. Self-normalizing neural networks[J]. 2017.DOI：10.48550/arXiv.1706.02515.

[25] HENDRYCKS D， GIMPEL K. Gaussian error linear units （gelus） [J]. arXiv，2016.DOI：10.48550/arXiv.1606.08415.

[26] RAMACHANDRAM P， ZOPH B， LE Q V. Searching for activation functions[J]. arXiv，2017.DOI：10.48550/arXiv.1710.05941.

[27] MISRA D. Mish： a self regularized non-monotonic neural activation function[J]. arXiv，2019.DOI：10.48550/arXiv.1908.08681.

[28] STERGIOU A， POPPE R， KALLIATAKIS G. Refining activation downsampling with SoftPool[C]. Montreal， Canada： IEEE，2021.

[29] ZEILER M D， FERGUS R. Visualizing and understanding convolutional networks[C]. Zurich，Switzerland：Springer，2014.

[30] 李 超，李 鋒，黃煒嘉. 基于并聯卷積神經網絡的水果品種識別[J]. 浙江農業學報，2022，34（11）：2533-2541.

[31] WEN Y， ZHANG K， LI Z， et al. A discriminative feature learning approach for deep face recognition[C]. Amsterdam， Netherland：Springer，2016.

[32] HUANG M， CHIN T. A database of eight commin tomato pest images[DB]. 2020.DOI：10.17632/s62zm6djd2.1.

[33] HUGHES D， SALATHE M. An open access repository of images on plant health to enable the development of mobile disease diagnostics[J]. arXiv，2015.DOI：10.48550/arXiv.1511.08060.

[34] 蔣清健，姚 勇，付志軍，等. 基于改進卷積神經網絡算法的番茄葉片病害識別[J]. 江蘇農業科學，2022，50（20）：29-34.

[35] 徐姍姍，呂凈妍，陳芳媛. 深度卷積神經網絡的遙感植被檢測方法[J]. 南京林業大學學報（自然科學版），2022，46（4）：185-193.

[36] 牛學德，高丙朋，南新元，等. 基于改進DenseNet卷積神經網絡的番茄葉片病害檢測[J]. 江蘇農業學報，2022，38（1）：129-134.

[37] 棘 玉，尹顯明，嚴恩萍，等. 基于相機拍照的油茶果形狀特征提取研究[J]. 南京林業大學學報（自然科學版），2022，46（2）：63-70.

（責任編輯：王 妮）