基于多維間注意力機制的水稻病害識別模型

王忠培 謝成軍 董偉 管博倫

摘要：水稻病害的快速、準確識別是水稻病害防治的前提，也是提高水稻產量和品質的有效途徑之一。為了提高水稻病害識別的準確率，本研究提出一種多維間的三維注意力水稻病害識別模型Inter_3DRiceNet網絡模型，通過3個不同維度（通道維度、高度維度以及寬度維度）提取水稻病害特征信息。通道維度主要構建基于通道關系的三維立體注意力機制，通過建立一維的通道間關系注意力機制再結合二維空間關系，最終獲得基于通道關系的三維注意力特征信息。高度維度建立的是基于高度維度關系的三維注意力機制，而寬度維度建立的是基于寬度維度關系的立體注意力機制。然后將以上3個不同維度的注意力信息進行簡單的相加再取平均值作為最終的病害提取特征。通過這種方式，不僅可以獲取輸入圖像更豐富的特征，而且可以獲得不同維度的立體空間關系。試驗結果表明，在自建的6種真實自然環境水稻病害數據集中，本研究提出的Inter_3DRiceNet網絡模型在測試集取得了98.32%的最高準確率，高于經典網絡模型ResNet34、ResNet50、MobileNetV2、DenseNet、EfficientNet_B0和通道注意力機制模型SENet和GCT。可見本研究方法有效提高了水稻病害的識別準確率，獲得了優于經典網絡模型和通道注意力模型的識別準確率，有助于提升自然環境下對常見水稻病害的識別性能。

關鍵詞：水稻病害；三維注意力；多維間關系；注意力機制；識別

中圖分類號：TP391.41文獻標識碼：A文章編號：1000-4440（2024）04-0625-11

Rice disease identification model based on multi-dimensional attention mechanism

WANG Zhong-pei1，XIE Cheng-jun2，DONG Wei1，GUAN Bo-lun1

（1.Institute of Agricultural Economics and Information， Anhui Academy of Agricultural Sciences， Hefei 230001， China;2.Hefei Institute of Intelligent Machinery， Chinese Academy of Sciences， Hefei 230031， China）

Abstract：Rapid and accurate identification of rice diseases is a prerequisite for controlling rice diseases and is one of the effective ways to improve rice yield and quality. To improve the identification accuracy of rice diseases， a network model of multi-dimensional attention mechanism for rice disease identification named Inter_3DRiceNet was proposed in this study to extract rice disease feature information through three different dimensions （channel dimension， height dimension and width dimension）. The channel dimension mainly constructed a three-dimensional attention mechanism based on channel relationship， and finally obtained three-dimensional attention feature information based on channel relationship by establishing a one-dimensional attention mechanism of inter-channel relationship combined with two-dimensional spatial relationship. The height dimension established a three-dimensional attention mechanism based on the height dimension relationship， while the width dimension established a tridimensional attention mechanism based on the width dimension relationship. The attention information of the above three different dimensions was simply summed and then averaged as the final disease extraction features. Thus， besides more abundant features of the input images could be obtained， stereoscopic spatial relations of different dimensions could also be obtained. ?The experimental results showed that， the Inter_3DRiceNet network model proposed in the study got the highest accuracy of 98.32% in the test sets of the six self-constructed rice disease datasets in real natural environment， which was higher than the classical network models such as ResNet34， ResNet50， MobileNetV2， DenseNet， EfficientNet_B0， and channel attention mechanism models SENet and GCT. The research method improved the recognition accuracy of rice diseases effectively and obtained better classification accuracy than the classical network model and the channel attention model， which can help improve the performance of common rice diseases recognition in natural environment.

Key words：rice diseases;three-dimensional attention;multi-dimensional relationship;attention mechanism;identification

水稻是中國的主要糧食作物之一，種植面積約占全國耕地面積的四分之一，是中國的第二大糧食作物。由于中國水稻種植具有面積大、分布廣的特點，因此不同地區、不同環境等因素（比如天氣、氣候、土壤、水資源等自然條件）都會影響水稻產量。除了自然條件，水稻病蟲害也是影響水稻產量的重要因素之一。全國農業技術推廣服務中心對2022年全國重大病蟲害發生情況的預報結果[1]顯示，2022年預計水稻“三蟲兩病”發生面積為6.87×107 hm2，比2021年增加13.6%。因此，水稻病蟲害的預警、監測、防治將有助于減少病蟲害對水稻產量的影響。

隨著技術的進步，中國農業生產方式正在從傳統手工方式向智能化方向轉變。傳統水稻病蟲害識別主要通過人工方式，人工識別存在效率低、工作量大以及難以廣泛推廣等問題，而且人工識別對識別主體的專業技能要求較高，一般只有該領域的專家才能準確識別出相應的病蟲害。而作為農業經營主體的農民不具備該領域的專業知識，很難準確識別出不同種類的病蟲害，因此如何借助計算機領域相關技術實現農作物病蟲害的快速、準確識別是值得研究的課題。

近年來隨著卷積神經網絡（Convolutional neural networks， CNN）技術的提出，CNN在計算機視覺領域的各個子任務中獲得了大量的應用，并取得了令人矚目的性能提升。農業作為該技術的實際應用場景之一，如何在農業中應用CNN技術同樣獲得了大量學者的關注，并提出了不同的技術方案。

趙立新等[2]將遷移學習方法應用到棉花葉片病蟲害識別中，通過改進AlexNet模型并在PlantVillage數據集上預訓練，將預訓練好的模型遷移到棉花病蟲害數據集，可以達到97.16%的平均測試準確率。劉陽等[3]通過對SqueezeNet網絡的改進提出一種小型化和輕量化網絡結構，以便部署到移動終端等嵌入設備上。鮑文霞等[4]提出了一種輕量型殘差網絡（Light weight residual network，LW-ResNet），用于對水稻害蟲進行識別。該模型對13類水稻害蟲的識別準確率為92.5%，并且該模型的參數量只有1.62×10 6 個，浮點運算量只有0.34×109次。Espejo-Garcia等[5]使用遷移學習的方法實現對作物營養缺乏癥狀的診斷，在初始化模型權重時，采用了基于ImageNet數據集的噪聲學生模型訓練結果，然后使用自建的數據集在EfficientNetB4模型上微調。

隨著研究的深入，一些學者針對卷積神經網絡的不足提出了一些改進方案。比如針對卷積神經網絡只能提取識別對象的空間信息而無法獲得通道間關系信息，Hu等[6]提出的SENet模型將通道注意力引入網絡。SENet網絡模型獲得了2017年ImageNet大規模圖像識別競賽（ImageNet large scale visual recognition challenge，ILSVRC）圖像分類子任務中的第一名。使用通道注意力機制可以顯著提高模型的識別準確率。為此，有學者將注意力機制方法引入農業領域。劉陽等[3]主要從網絡規模的小型化以及輕量化角度對SENet網絡結構提出一系列改進措施并在PlantVillage數據集中的14種作物38類葉片上進行驗證。趙輝等[7]使用另一種被稱之為高效通道注意力（Efficient channel attention，ECA）[8]的機制，ECA是通道注意力機制的一種，是對原始通道注意力機制SENet的一種改進。趙輝等[7]將ECA通道注意力機制應用到田間雜草識別領域，改進后的模型較改進前的模型平均識別準確率提高了2.09個百分點，為智能除草機器人開發奠定了技術基礎。孫俊等[9]以MobileNet-V2模型為基礎，將ECA通道注意力機制引入模型并將分組卷積引入模型，實現田間農作物葉片病害的識別。改進后的模型較改進前的模型識別準確率提高了2.91個百分點，達到了92.20%的識別準確率。甘雨等[10-11]將坐標注意力（Coordinate attention， CA）機制引入EfficientNet網絡結構，提出了一種改進的輕量化作物害蟲識別模型 CA-EfficientNet，該模型在大規模害蟲數據集IP102[12]中的識別準確率達到69.45%，較改進前作物害蟲識別準確率提高了2.32個百分點。Zhao等[13]首先提出結合Inception結構和殘差結構來構建新的網絡結構，然后將改進的塊注意力模塊（Convolutional block attention module，CBAM）引入網絡，實現對玉米、馬鈴薯和番茄病害葉片的分類識別，3種作物的整體識別準確率可以達到99.55%。Zhao等[14]使用遷移學習結合注意力機制提出DTL-SE-ResNet50模型。該模型以ResNet50為基礎，將SENet方法引入后提出SE-ResNet50網絡模型。該模型先在ImageNet數據集上訓練，得到一個初始權重，然后將初始模型在AI Challenge 2018公共數據集上進行再次訓練獲得新的權重，最后將經過上面2次訓練后的模型在自建的蔬菜病害數據集上微調，形成蔬菜病害DTL-SE-ResNet50模型。

可見，注意力機制在農業領域的應用主要使用通道注意力機制方法，并取得了較好的效果。借鑒通道注意力機制的思想，本研究提出多維間注意力機制識別模型Inter_3DriceNet模型。本研究提出的模型不僅考慮通道注意力機制信息，同時也考慮圖像高度注意力以及寬度注意力機制信息，以獲得圖像高度之間的關系以及寬度之間的關系。同時，在建立圖像高度之間關系的過程中，可以同時建立圖像通道和圖像寬度之間的關系。同理，在建立圖像寬度之間關系的時候，也同時建立圖像通道和圖像高度之間的關系。通過以上步驟，可以建立圖像在通道、高度和寬度之間的多維間三維立體空間關系。

1數據集

為了真實反映自然環境的實際病害數據，本研究構建了常見水稻病害數據集，所有圖片均使用Canon相機拍攝于實際田間場景，拍攝圖片分辨率從低到高分別為1 440×1 080、1 423×1 920、3 008×2 000、4 288×2 848、4 928×3 264、6 016×4 000、7 360×4 912。考慮到水稻病害的危害性以及頻發性，本研究主要選取影響水稻產量的以下6種病害做重點研究：水稻胡麻斑病、水稻白葉枯病、水稻紋枯病、水稻細菌性條斑病、稻曲病、稻瘟病。6種病害的部分示例如圖1所示。

本研究獲取的6種主要水稻病害數據樣本量（6 938張）如表1所示。

2多維間立體三維注意力機制

SENet模型通過建立通道之間的關系獲得了2017年ILSVRC競賽圖像分類子任務冠軍，顯示出建立通道之間關系的有效性以及優越性。借鑒通道之間關系構建的方法，本研究分別建立了高度（H）和寬度（W）之間的關系以獲得更豐富的特征信息。同時，為了簡化運算，本研究將以上建立的3種關系特征信息進行簡單相加并取平均值作為最終的特征信息，最終構建出多維間的三維注意力機制水稻病害識別模型。

2.1基于通道關系的立體注意力機制構建

2.1.1一維通道關系的建立卷積神經網絡只能提取物體的空間特性，無法獲得不同通道間之間的關系。為解決該問題，Hu等[6]提出的SENet模型給出了最初的解決方案。為了建立通道之間的關系，SENet通過壓縮和激發2個步驟獲取通道間的關系。壓縮指的是通過一定的方法獲得輸入特征或者原始輸入圖像每個通道的全局信息，SENet模型使用簡單的全局平均池化（Global average pooling，GAP）操作獲得全局信息。激發指的是通過一定的機制獲得通道之間的相互關系，SENet模型通過設置2層全連接層實現：首先將輸入特征輸入第一個全連接層，并將輸出維度設置為輸入維度的1/N倍（N是一個超參數），SENet模型將N設置為16；然后再連接一個全連接層，并且將輸出維度升維為和第一層全連接層的輸入維度相同。2層全連接層構成的網絡，實際上是含有一個隱藏層的多層感知機（Multi-layer perceptron，MLP）。通過在全連接層設置不同的維度，強迫網絡學習出不同層之間的權重信息，進而獲得不同層之間的重要性，從而實現通道之間權重關系的構建。

本研究不使用全連接層，使用1×1的卷積層替換全連接層，通過對1×1卷積設置不同的輸出維度來實現。具體過程為：將輸入特征輸入1×1的卷積層，并且將輸出通道數設置為原來的1/R，然后再通過一個1×1的卷積，將維度還原為初始的維度，從而構建通道之間的關系。圖2表明了通道注意力機制的實現方法。

2.1.2高度和寬度空間關系的構建2維空間高度和寬度之間關系的建立是通過堆疊不同的卷積層來實現的。具體實現流程如下：假設輸入特征X∈RC×H×W，首先將輸入特征X輸入1×1的卷積，并且將輸出特征降為原來的1/R，然后再次經過2層3×3卷積，并且保持維度不變，最后輸入1×1卷積層，并將維度降為1。通過以上步驟，形成高度和寬度之間的二維注意力關系構建過程。圖3展示了具體的實現過程。

2.1.3基于通道的三維注意力機制基于通道間關系的三維注意力機制構建是將通道注意力乘以空間注意力獲得基于通道的立體注意力。具體的實現過程如圖4所示。

2.2基于高度關系的立體注意力機制構建

2.2.1一維高度關系的建立為了獲得基于高度的立體注意力，首先需要建立輸入圖片高度之間的關系。高度間關系的構建與通道關系的構建類似，將高度通過2層1×1卷積層，通過設置不同的輸出維度來實現。具體實現流程如圖5所示。

2.2.2通道和寬度之間關系的構建通道和寬度之間的關系構成，也是通過堆疊不同的卷積層來實現的。輸入X的高度維度經過幾層卷積操作可以建立通道和寬度之間的關系。具體的流程如圖6所示。

2.2.3基于高度的三維注意力機制高度間關系的三維注意力機制構建是將高度注意力乘以由通道和寬度之間建立的注意力，以獲得基于高度的立體注意力。具體的實現過程如圖7所示。

2.3基于寬度關系的立體注意力機制構建

2.3.1一維寬度關系的建立為了獲得基于寬度的立體注意力，首先需要建立寬度之間的關系。寬度關系的構建也是采用和通道類似的方法。具體實現流程如圖8所示。

2.3.2通道和高度之間關系的構建通道和高度之間關系的構建，是將寬度通過不同的卷積層實現，最終建立起通道和高度之間的二維注意力關系。具體的操作流程如圖9所示。

2.3.3基于寬度的三維注意力機制為了構建基于寬度關系的三維注意力機制，將寬度注意力乘以通道和高度之間的關系值，獲得寬度的立體注意力。具體的實現過程如圖10所示。

2.4多維間立體注意力機制構建

為了獲得以通道、高度以及寬度的多維間立體注意力，本研究將以上3種方法獲得的注意力值進行平均后作為最終的三維注意力。即，將圖4、圖7和圖10得到的特征值相加后再取平均值作為最終的多維間立體注意力機制的值。

3試驗環境與數據處理

本試驗使用Pytorch深度學習軟件進行仿真驗證。電腦配置中，中央處理器（CPU）：Intel i7-9700@3.00 GHz，圖形處理器（GPU）：英偉達GeForce RTX2060，顯存大小為6 GB。

3.1試驗參數設置

為了訓練模型并驗證模型的效果，將數據集按照80%和20%的比例劃分為訓練集和驗證集。由于顯存大小只有6 GB，將批處理大小設置為16。整個訓練集一共迭代訓練100次，即訓練次數設置為100。本試驗使用隨機梯度下降（SGD）優化器，并設置優化器學習率為0.001，動量因子（Momentum）設置為0.9，權重衰減系數（Weight_decay）設置為0.005。縮放因子（R）取值為8。

3.2數據預處理方法

為了保證訓練的穩定性，對圖片進行歸一化處理。即將圖片的R、G、B 3個通道值分別減去均值并除以標準差。均值和標準差的值分別設置為（0.485，0.456，0.406）和（0.229，0.224，0.225）。以上均值和標準差來自對ImageNet數據集中所有圖片計算后得到的均值和標準差。

因為訓練模型要求輸入的圖片尺寸一致，先將圖片的短邊調整為256像素大小，然后從圖片的中心選取224×224像素大小作為訓練圖片的輸入尺寸。

4結果與分析

為了保證算法比較的公平性，各算法使用相同的試驗參數和相同的圖像預處理方法。

4.1不同模型性能對比試驗

為了評估本研究Inter_3DRiceNet模型的性能，選取當前主流深度模型以及注意力機制網絡模型進行對比分析。選取的經典網絡模型：ResNet模型[15]、MobileNetV2模型[16]、DenseNet模型[17]、EfficientNet模型[18]。選取的注意力機制的模型：SENet模型和GCT模型[19]，其中SENet和GCT模型是基于ResNet50網絡結構進行試驗，各算法都迭代100次，經過100次迭代之后在驗證集上的識別準確率曲線如圖11所示。

圖11表明，表現最差的是EfficientNet_B0模型，該模型不僅準確率最差，而且波動性也是最大的。表現最好的是本研究所提出的模型，算法準確率基本維持在98%附近，其次是DenseNet模型。而2個注意力機制模型SENet和GCT的準確率僅次于DenseNet模型。

為了進一步分析各模型的準確率，統計了各模型的最高準確率以及對應的輪次。從表2可以看出，8種模型的最高準確率都在96.00%以上，本研究提出的模型準確率最高（98.32%），比ResNet50模型提高了1.43個百分點，比DenseNet模型提高了0.56個百分點，比SENet模型提高了0.92個百分點。說明使用多維間三維注意力機制方法可以在一定程度上提高模型的準確率。

4.26種常見水稻病害識別結果定性分析

為了更詳細地分析每種水稻病害的識別效果，分別計算6種水稻病害在測試集上的混淆矩陣值，計算結果如圖12所示。

水稻胡麻斑病在測試集上的數目是291張圖片，其中預測正確的有283個，8張病害圖片預測錯誤，其中錯誤預測為水稻白葉枯病、水稻紋枯病、水稻細菌性條斑病的個數都是1張，有2張病害被預測為稻曲病，3張水稻胡麻斑病的圖片被預測為稻瘟病。由混淆矩陣可知，對角線上表示預測正確的數目都遠遠大于預測錯誤的數目，證明本研究算法在各類水稻病害上取得了比較好的識別效果。

4.36種常見水稻病害識別結果定量分析

為了對每種水稻病害做定量分析，分別從精度、召回率、特異度、F1得分以及平均準確率這5個指標進行定量分析。

4.3.1定量分析評價指標TP（True positive）被稱為真正類，表示模型正確地預測為正的樣本數；FP（False positive）被稱為假正類，表示模型將樣本錯誤地預測為正的樣本數；FN（False negative）被稱為假負類，表示模型將樣本錯誤地預測為負的樣本數；TN（True negative）被稱為真負類，表示模型正確地預測為負的樣本數。而精度、召回率、特異度等的計算來自于以上4個基本概念，為表示它們之間的關系，使用如下公式來說明。

精度（P）的公式為：

P=TPTP+FP×100%（1）

精度表示被正確預測的樣本數與被預測的樣本總數的比率，值越大表示模型的預測能力越好。

特異度（S）的公式為：

S=TNFP+TN×100%（2）

特異度表示預測為負樣本中預測正確的樣本除以真實標簽是負樣本的數量。

召回率（R）的公式為：

R=TPTP+FN×100%（3）

召回率也稱之為查全率，表示預測正確的正樣本占所有正樣本的比例，值越大表示模型的預測能力越好。

F1得分定義為：

F1=2×（P×R）P+R×100%（4）

F1得分是為了綜合考慮精度和召回率這2個指標之間的關系，可以看作是精度和召回率之間的一種調和平均。因為精度和召回率是一對矛盾的指標。當精度高時，召回率往往偏低；而精度低時，召回率往往偏高。F1得分的核心思想在于盡可能地提高精度和召回率的同時，使兩者之間的差異盡可能小。

準確率（Accuracy， ACC）的定義為：

ACC=TP+TNTP+TN+FP+FN×100%（5）

ACC表示預測對的樣本數占總樣本數的比例。但是在正樣本、負樣本數量不均衡的情況下，準確率指標有一定的缺陷。

4.3.2定量分析試驗結果根據以上定義，分別計算出每種水稻病害在測試集上的精度、召回率、特異度、F1得分以及平均準確率（表3）。從表3可知，精度最低的是稻曲病，只有92.7%，其次是水稻紋枯病。召回率最低的是水稻紋枯病，只有92.7%。特異度的值各病害差別不大。F1得分最低的是水稻紋枯病，其次是稻曲病。從以上分析可知，該模型對水稻紋枯病和稻曲病的識別效果不太好。

通過分析水稻紋枯病數據集可知，水稻紋枯病數據集中的圖片大部分都是橫向長條狀或者縱向長條狀。很多圖片的橫縱比為6∶1、7∶1、8∶1，較高的橫縱比加大了模型識別的難度。部分橫向長條狀樣本示例圖片如圖13所示。

通過對稻曲病數據集分析可知，拍攝的稻曲病病害表現差異較大，病害的顏色有黃色、黑色，病害的范圍有整株稻穗或幾個稻穗。從圖14可知，稻曲病圖像差異較大，而且該數據集的樣本總數只有716張，進一步加大了模型提取特征的難度。

4.3.3類激活圖可視化分析為了直觀地展示本研究算法的性能，使用Grad-CAM方法[20]對學習到的特征進行可視化展示。以水稻紋枯病為展示樣例，圖15分別展示了網絡模型從層1到層4學習到的圖像特征信息。由圖15可知，經過網絡的逐層學習后，學習出的特征區域范圍逐漸增加。比如層1主要學習較小區域的邊緣信息，層2不僅學習到層1已有的邊緣信息，還學習出其他區域的邊緣信息，并且學習的區域變大了。層3可以學習主要區域的邊緣信息，即圖中中心區域的邊緣信息。這種學習方式符合人類觀察物體的特點。人類在觀察物體時，會重點關注物體主要區域的顯著特征。經過層4學習后，網絡獲得了更大區域的顯著特征。這樣可以在更高的視角理解圖像，可以對圖像有一個全局的認識，從而避免陷入局部區域的細節之中。圖15不僅說明模型可以逐層學習更大范圍的圖像特征，而且說明在模型學習各層特征的過程中，對同一層特征學習并不是平等對待的，而是學習層內重點區域的特征，即將注意力機制的學習也貫穿到各層特征的學習過程之中。比如層1重點學習了圖像左上和右下區域的邊緣特征信息，層3重點學習了中間區域的更長范圍內的邊緣信息。

5結論

為提高自然環境中常見水稻病害的識別率，從而為精準防治水稻病害提供參考進而提升水稻產量和質量，本研究提出一種多維間關系的三維注意力機制Inter_3DRiceNet模型。為了真實反映自然環境情況，本研究收集自然環境下的6種常見水稻病害共計6 938張圖片。借鑒通道注意力機制優點，本研究不僅構建了通道注意力機制，同時構建了高度注意力機制以及寬度注意力機制，最終獲得多維間的三維注意力機制模型。結果表明，本研究模型在6種常見水稻病害數據集上取得了較好的識別準確率，優于ResNet、MobileNet、DenseNet、EfficientNet等經典神經網絡模型，并優于SENet和GCT等注意力機制模型。本研究的模型展示了其在識別常見水稻病害中的有效性。

參考文獻：

[1]佚名. 2022年全國農作物重大病蟲害發生趨勢預報[J]. 中國植保導刊，2022，42（4）：107-108.

[2]趙立新，侯發東，呂正超，等. 基于遷移學習的棉花葉部病蟲害圖像識別[J]. 農業工程學報，2020，36（7）：184-191.

[3]劉陽，高國琴. 采用改進的 SqueezeNet 模型識別多類葉片病害[J]. 農業工程學報，2021，37（2）：187-195.

[4]鮑文霞，吳德釗，胡根生，等. 基于輕量型殘差網絡的自然場景水稻害蟲識別[J]. 農業工程學報，2021，37（16）：145-152.

[5]ESPEJO-GARCIA B， MALOUNAS I， MYLONAS N， et al. Using EfficientNet and transfer learning for image-based diagnosis of nutrient deficiencies[J]. Computers and Electronics in Agriculture，2022，196：106868.

[6]HU J， SHEN L， SUN G. Squeeze-and-excitation networks[C]. Piscataway： IEEE，2018：7132-7141.

[7]趙輝，曹宇航，岳有軍，等. 基于改進 DenseNet 的田間雜草識別[J]. 農業工程學報，2021，37（18）：136-142.

[8]WANG Q， WU B， ZHU P， et al. ECA-Net： efficient channel attention for deep convolutional neural networks[C]. Piscataway：IEEE，2020：11531-11539.

[9]孫俊，朱偉棟，羅元秋，等. 基于改進 MobileNet-V2 的田間農作物葉片病害識別[J]. 農業工程學報，2021，37（22）：161-169.

[10]甘雨，郭慶文，王春桃，等. 基于改進 EfficientNet 模型的作物害蟲識別[J]. 農業工程學報，2022，38（1）：203-211.

[11]HOU Q， ZHOU D， FENG J. Coordinate attention for efficient mobile network design[C]. Piscataway：IEEE， 2021.

[12]WU X， ZHAN C， LAI Y K， et al. IP102： a large-scale benchmark dataset for insect pest recognition[C]. Piscataway：IEEE， 2019.

[13]ZHAO Y， SUN C， XU X， et al. RIC-Net： a plant disease classification model based on the fusion of Inception and residual structure and embedded attention mechanism[J]. Computers and Electronics in Agriculture， 2022，193：106644.

[14]ZHAO X， LI K， LI Y， et al. Identification method of vegetable diseases based on transfer learning and attention mechanism[J]. Computers and Electronics in Agriculture，2022，193：106703.

[15]HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]. Piscataway：IEEE，2016：770-778.

[16]SANDLER M， HOWARD A， ZHU M， et al. Mobilenetv2： inverted residuals and linear bottlenecks[C]. Piscataway： IEEE，2018：4510-4520.

[17]HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks[C]. Piscataway：IEEE，2017.

[18]TAN M， LE Q. Efficientnet： rethinking model scaling for convolutional neural networks[C]. Madison：ACM，2019.

[19]YANG Z， ZHU L， WU Y， et al. Gated channel transformation for visual recognition[C]. Piscataway：IEEE，2020.

[20]SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-cam： visual explanations from deep networks via gradient-based localization[C]. Piscataway：IEEE，2017.

（責任編輯：陳海霞）

收稿日期：2023-02-24

基金項目：國家自然科學基金項目（32171888）

作者簡介：王忠培（1981-），男，安徽金寨人，博士，助理研究員，研究方向為智能農業技術。（E-mail）wangzhongpei@aaas.org.cn

通訊作者：謝成軍， （E-mail）cjxie@iim.ac.cn