融合注意力及多重知識遷移的茶葉病害輕量化檢測方法

摘要：茶樹病蟲害是影響茶葉產量及品質的主要原因，精準檢測茶葉病蟲害種類是當前國內的熱點問題之一。針對傳統目標檢測網絡模型參數量大、精確率低導致工業部署困難的問題，建立茶葉病蟲害表型圖像數據集；對網絡模型進行輕量化處理，優裁基于知識蒸餾的多重知識遷移訓練模型；構建基于視覺注意力模塊（CSA）的YOLOv5目標檢測網絡模型，優化茶葉病蟲害檢測方法。結果表明，添加視覺注意力模塊（CSA）的YOLOv5目標檢測模型與YOLOv5網絡模型、添加傳統注意力模塊SE、CBAM模塊的YOLOv5網絡模型相比較，其平均準確率分別提高3.1%，1.1%，1%。對比蒸餾前學生模型，構建的模型最佳準確率提升 4.1%，對比教師模型，模型容量降低5.4 MB，單幀圖片推理時間下降 35%。設計的網絡模型在不損失準確率的情況下，降低網絡計算的開銷，可為資源受限的農業信息化領域邊緣計算系統提供植入可能。

關鍵詞：茶葉病蟲害；注意力模塊；知識遷移；輕量化；農業信息化邊緣計算

中圖分類號：S435.711；TP391.41

文獻標識碼：A

文章編號：2095-5553（2024）12-0140-08收稿日期：2023年4月19日

修回日期：2023年5月30日

*基金項目：湖北省自然科學基金創新群體項目（2024AFA030）

第一作者：毛致穎，男，1999年生，湖南湘潭人，碩士，助理研究員；研究方向為機器視覺與植物表型識別。E-mail：3068506828@qq.com

通訊作者：楊春勇，男，1975年生，重慶人，博士，教授；研究方向為智能物聯技術。E-mail：cyyang@mail.scuec.edu.cn

A lightweight detection method for tea disease by merging attention and multiple-knowledge-transfer

Mao Zhiying¹， Liu Yuhang²， Yang Chunyong^{1， 2， 3}， Tian Yongsheng¹， Ni Wenjun^{1， 2， 3}， Wang Xizhao²

（1. College of Electronics and Information Engineering， South-Central Minzu University， Wuhan， 430074， China; 2. Hubei Engineering Research Center of Intelligent Internet of Things Technology， Wuhan， 430074， China;3. Hubei Key Laboratory of Intelligent Wireless Communications， Wuhan， 430074， China）

Abstract： Tea plant diseases and pests are the main factors affecting tea production and quality. The accurate detection of tea diseases and pests is one of the current hot issues in China. Aiming at the problem that the traditional target detection network model is difficult to deploy in industry due to the large number of parameters and low accuracy， the phenotype image dataset of tea diseases and pests is established， the network model is lightened， and the multi-knowledge transfer training model based on knowledge distillation is optimized. A YOLOv5 target detection network model based on the visual attention module（CSA）is constructed， and the tea disease and pest detection method is optimized. The experimental results show that the YOLOv5 target detection model with the visual attention module（CSA）constructed in this paper， compared with the YOLOv5 network model， and the YOLOv5 network model with the traditional attention modules SE and CBAM， respectively， improves the average accuracy by 3.1%， 1.1%， and 1%. Compared with the pre-distilled student model， the model constructed in this paper achieves a maximum accuracy improvement of 4.1%. Compared with the teacher model， the model capacity is reduced by 5.4 MB， and the single-frame image inference time is reduced by 35%. The network model designed in this paper reduces the computational overhead without sacrificing accuracy and can provide an implantation possibility for resource-limited edge computing systems in the field of agricultural informatization.

Keywords： tea pests and diseases; attention module; knowledge transfer; lightweight；agricultural information edge computing

0 引言

規?；枞~種植園生態管理十分困難。病蟲害治理^［1］是茶園生態管理問題中的難點，其對茶葉質量和產量均存在較大影響。據統計，已記載的茶樹病害有100余種^［2］，茶樹從葉、莖、根到花和果實均會發生病害，不同種類的病害特征表現可能相同或差異微小。相對于莖、根、花、果實，茶葉擁有更長的生長周期和更加明顯的病蟲害特征。現有的人工治理茶葉病害需通過肉眼觀測茶葉表型病蟲害特征識別茶葉病蟲害種類，其區分難度較高且效率低下，難以達到現代茶園高效生態管理目標。

多年來，以計算機視覺為代表的茶園生態自動檢測技術研究取得長足進步?？傮w上看，以硬件技術取得快速進步的2010年為界，此前基于傳統圖像技術^［3］的文獻較多，Sugiura^［4］、楊福增^［5］、方坤禮^［6］等通過圖像處理方法增加目標樣本與背景對比度，實現對目標的檢測分割；Borah等^［7］通過小波變換對茶葉圖像進行預處理操作。此后基于機器學習的檢測算法成為熱點^［8］，毛騰躍等^［9］根據茶葉幾何紋理特征構建基于SVM的茶葉分類器；Singh等^［10］引入自動化高通成像技術，通過機器學習算法實現數據同化和特征識別；Li等^［11］采用多傳感策略與監督學習算法，提高評估茶葉品質準確度；Tsaftaris等^［12］將機器學習與圖像處理相融合，對背景噪聲進行進一步過濾；吳正敏等^［13］采用邏輯回歸、決策樹、支持向量機三種機器學習方法對樣本進行分類。后出現針對各類植物表型檢測的研究，代強等^［14］通過超分辨率重建實現對病蟲害樣本的特征增強；王曉婷等^［15］采用改進的Mask-RCNN模型對植物表型進行檢測分割。也有針對茶葉老嫩芽分割以及茶葉病害識別等的茶葉表型檢測研究，吳昊昱^［16］、余勝^［17］等通過小樣本學習策略和VIT模型結構提高網絡模型學習能力。在這些成果中，無論是基于傳統的圖像處理還是機器學習算法，多以犧牲檢測速度來換取算法精度。

近年來，基于深度學習的細粒度目標檢測技術得到了快速發展，可以做到識別目標的同時給出目標的位置信息。孫肖肖^［18］采用DCGAN（Deep Convolutional Generative Adversarial Networks）網絡來生成茶葉病害圖像，采用卷積神經網絡對七種茶葉病害圖像進行分類，在實驗室環境下獲得93.75%的準確率；項小東等^［19］提出了一種基于深度學習的植物病蟲害識別網絡（Xception-CEMs），識別準確率達到91.9%。模型參數量降低了33.6%；周曉麗等^［20］利用多光譜技術采集多光譜圖像，利用深度神經網絡進行分析處理，實現了對松萎蔫病、松材線蟲等常見林木病蟲害的檢測；王美華等^［21］對CBAM注意力模塊進行改進，使通道注意力模塊與空間注意力模塊并行，應用在MobileNet-v2中對農作物病蟲害進行識別，其準確率達到86.5%；胡根生等^［22］基于YOLOv5網絡模型，使用Focal loss損失函數替換交叉熵損失函數，使用卷積核組替代3×3卷積核，對復雜背景下的茶尺蠖進行檢測，其mAP達到98.2%；陳繼清等^［23］結合了多尺度特征提取模塊（MFEM）和深層特征提取模塊（DFEM），提出基于多尺度特征融合的網絡模型（FFNet）對作物害蟲進行識別，分類準確率（ACC）達到97.96%；溫長吉等^［24］在ResNet50網絡中引入CBAM注意力模塊和跨層非局部模塊CNL，Top-1識別準確率在病害和蟲害集上分別達到88.617%和74.668%，這些方法通過改變網絡結構深度和添加注意力模塊來取得了較高的準確度，但隨之增加的模型參數量和計算量限制了其在資源受限農業信息化領域邊緣計算設備上的部署。

針對自然環境下茶園茶葉病害高效實時檢測需要，以輕量化為目標，通過實地采集茶園茶葉病蟲害圖像，建立茶葉病蟲害表型圖像數據集，提出一種基于注意力的多重知識遷移目標檢測方法。

1 數據集制作

選定湖北恩施地區以及宜昌地區的茶園采集茶葉表型圖像數據。該茶園位于湖北省五峰土家族自治縣，其地理位置為北緯30°12′08″，東經110°40′13″?？紤]光照、拍攝距離、拍攝角度等因素對數據集的影響，選取上午9—10點和下午4—6點兩個時間段作為表型圖像采集時間，表型圖像拍攝距離設置為10 cm、20 cm、30 cm，拍攝角度設置為60°～80°，圖像大小為5 472像素×3 648像素，采用索尼黑卡一代相機（DSC-RX100M1）對茶葉進行人工表型圖像拍攝?？紤]到茶尺蠖蟲害、茶炭疽病病害和茶白星病病害三類病蟲害高發期在3—9月，且均為當地茶園內茶葉常年遭受的主要病蟲害，選定這三類作為研究拍攝對象。

采集茶品為五峰212號、五峰310號、五峰602號茶葉。經篩選，形成2 040張茶葉表型圖像。使用Labeling軟件按照PASCAL VOC2007格式對茶葉表型圖像進行手工標注。標注后對數據集按照8∶1∶1的比例劃分為訓練集、驗證集、測試集，其中訓練集1 668張、驗證集186張、測試集186張。數據集樣本分布情況如表1所示。

2 改進的YOLOv5模型及輕量化處理

YOLOv5是一種準確且高效的單階段目標檢測算法，相對于二階段目標檢測算法（Faster R-CNN等），其擁有更小參數量和計算量，在資源受限的農業信息化邊緣計算系統的部署上更具優勢。

茶葉病蟲害圖像與背景圖像顏色相近，且特征差別不明顯。為了實現復雜環境下茶葉病蟲害的實時快速檢測，對YOLOv5模型進行改進及輕量化處理，具體方案：（1）針對復雜環境條件，設計CSA視覺注意力模塊，提高網絡捕捉空間語義信息的能力。（2）采用知識蒸餾中的離線蒸餾方式，進行多重知識遷移的訓練學習過程，在不降低準確率的前提下，降低網絡模型的參數量和計算量。

2.1 CSA視覺注意力模塊

嵌入視覺注意力模塊是細粒度檢測技術方案中實現起來效率最高的一種方式。Squeeze-and-Excitation Net（SE-Net）通過全局平均池化將全局空間信息壓縮到通道中，這會造成位置信息的丟失問題。對于此問題，卷積塊注意力模塊（Convolutional Block Attention Module， CBAM）通過大尺度核卷積引入空間信息編碼，提高注意力模塊對空間信息的提取。同時，坐標注意力模塊（Coordinate Attention， CA）通過X、Y方向平均池化替代全局平均池化，并通過深度特征融合（Concat）模塊進行特征通道融合，在捕捉到一個空間方向的長期依賴關系的同時，也保存另一個空間方向的位置信息，但此操作在保留部分位置信息的同時，也會喪失部分空間信息。

考慮到茶葉病蟲害特征與背景特征差別不明顯，注意力模塊需要更加注重于空間信息的提取，使得網絡模型更加注重于對檢測起決定作用的像素區域，本文基于坐標注意力模塊，引入空間注意力的7×7大尺度核卷積，設計坐標空間注意力模塊（Coordinate and Spatial Attention，CSA），實現位置信息提取的同時，兼顧對空間信息的提取。

CA注意力模塊的主要過程如式（1）所示。

A_c=F_hc（x_c）F_wc（x_c） （1）

式中： F_hc（x_c） ——特征圖通過X方向平均池化輸出結果；

F_wc（x_c） ——特征圖通過Y方向平均池化輸出結果。

基于此，在CA注意力模塊輸出層后引入空間注意力 A_s， 其過程如式（2）所示。

A_s=σ［f_7×7（F（A_c））］ （2）

式中： F（A_c） ——特征圖通過CA注意力模塊輸出結果；

f_7×7（·） ——7×7卷積變換函數。

CSA模塊結構如圖1所示。

2.2 多重知識遷移的訓練架構

面對深度學習神經網絡模型結構復雜且容量大，難以在資源受限的農業邊緣計算系統部署的問題，本文采用模型輕量化方法知識蒸餾中的離線蒸餾架構，設計蒸餾損失函數，進行多重知識遷移的網絡模型訓練，并通過目標檢測網絡進行檢測輸出，多重知識遷移原理如圖2所示。

對于教師模型和學生模型的選取，基于YOLOv5網絡模型，借鑒PPLCNET的設計思想，構造LC-Block模塊和LCA-Block模塊，替代YOLOv5主干網絡中的殘差模塊。LC-Block激活函數選用Hardswish，形成由分組卷積（Group Convolution）與逐點卷積（Pointwise Convolution）分別結合批標準化層（Batch Normalization）、激活函數（Hardswish）組成的GCBH模塊、PCBH模塊，可做到提升模型性能且幾乎不增加推理耗時。LCA-Block模塊在LC-Block模塊的基礎上嵌入Squeeze-and-Excitation（SE）注意力模塊來進一步提升模型性能。LCA-Block結構如圖3所示。

就教師模型和學生模型的設計原則而言，教師模型與學生模型之間的容量差距會阻礙知識的遷移。以此為約束，設計并采用如表2所示的CSA-YOLO結構教師模型與LC-YOLO結構學生模型。

由圖2可知，在整體的蒸餾損失中，關注模型在注意力知識、分類知識、回歸知識以及置信度知識的損失函數設計，依次分別定義為 L_at、 L_cls、 L_box 和 L_obj。

對于注意力損失 L_at， 選擇在教師模型的最后一個LCA-Block模塊與學生模型的最后一個Conv-CSA模塊進行注意力知識遷移。考慮模型注意力特征圖的特征轉化，采用L2損失函數（均方誤差函數）來進行注意力知識遷移，具體如式（3）所示。

式中： ρ ——注意力超參數，用于調節注意力遷移權重；

F（·） ——注意力知識特征映射函數，其用于實現對三維注意力知識到一維的轉化；

A^s_i、A^t_i ——第 i 對學生模型和教師模型的注意力特征圖。

對于分類損失 L_cls， 將教師模型識別到的非目標樣本作為軟標簽信息引入到蒸餾的分類損失中，將包含在軟標簽信息中類間相似度信息以分類損失函數 L_cls 的形式傳遞給學生模型，從而提升模型對于相似圖像的識別準確率。在概率輸出的Softmax函數中引入超參數溫度 T ，形成Softmax函數 q_i。 T 值越高， q_i 的輸出分布越趨于平滑，負標簽攜帶的信息會被相對地放大，模型訓練將更加關注負標簽，具體如式（4）所示。

式中： z_i ——未歸一化的參數；

∑jz_j ——原始輸出的所有參數。

基于此，分類損失 L_cls， 由軟標簽 L_soft 和硬標簽 L_hard 兩部分組成，具體如式（5）所示。

L_cls=αL_hard+βL_soft （5）

其中， L_hard=-∑N/jc_jlog（q¹_j）， 即無傳遞負標簽信息超參數溫度 T=1 時的情況， j 為正整數l。 L_soft=-∑N/jω₀p^T_jlog（q^T_j）， 存在負標簽信息傳遞超參數溫度 T≠1 的情況。 α 和 β 分別為硬標簽與軟標簽中的超參數，根據數據集和訓練結果自定義選取。 c_j 為第 j 類ground truth值； ω₀ 為類加權交叉熵中超參數； p^T_j 為教師目標檢測模型在超參數溫度為 T 時， q_i 函數在第 j 類上的輸出值； q^T_j 為學生目標模型在超參數溫度為 T 時， q_i 函數在第 j 類上的輸出值，可在訓練的過程中通過調節超參數溫度 T 來選擇控制負標簽信息的比重。

對于回歸損失 L_box， 通過教師模型監督學生檢測模型進行正確的邊界框回歸，具體如式（6）、式（7）所示。

L_box=L_BCE（R_s，y_reg）+γL_MSE（R_s，R_t，y_reg） （6）

L_MSE（R_s，R_t，y_reg）={L_MSE（R_s，R_t）/L_BCE（R_s，y_reg）+mgt;L_BCE（R_t，y_reg）

0/otherwise （7）式中： L_BCE ——二元交叉熵損失函數；

L_MSE ——最小均方誤差損失函數；

R_s ——學生網絡的回歸輸出；

R_t ——教師網絡的回歸輸出；

y_reg ——回歸的ground truth標簽。

其中，當學生模型目標框回歸效果優于教師模型，且達到 m 的余量時，則取消教師的監督。

對于置信度損失 L_obj， 采用損失函數GIOU Loss來衡量框內物體的置信度，具體的蒸餾損失設計如式（8）所示。

L_obj=L_BCE（G_s，G^*）+L_MSE（G_s，G_t） （8）

式中： G_s ——學生網絡的置信度輸出；

G_t ——教師網絡的置信度輸出；

G^* ——ground truth標簽。

綜合起來，整體蒸餾損失函數由注意力損失 L_at、 分類損失 L_cls、 回歸損失 L_box 和置信度損失 L_obj 聯合組成，具體定義如式（9）所示。

L=L_at+L_cls+L_box+L_obj （9）

3 試驗結果討論與分析

3.1 評價指標及試驗平臺

采用精度指標、速度相關指標來評價網絡模型性能。精度指標包括平均精度AP、平均準確率mAP、mAP@0.5、mAP@0.5∶0.9。其中AP為一個類別精度的均值，mAP為多類別平均精度，mAP@0.5為IoU設置為0.5時的平均準確率，mAP@0.5∶0.9為不同IoU閾值（范圍0.5～0.9，步長0.05）上的平均準確率均值。速度相關指標包括模型的參數量（Parameters）。試驗平臺系統為Linux 4.15.0-142-generic，CPU處理器為Intel（R）Xeon（R）CPU E5-2603 v4 @ 1.70 GHz，GPU處理器為NVIDIA TITAN X（Pascal）（顯存為12 G），在pytorch1.8的框架中進行深度學習試驗，深度學習基準模型（Baseline）采用YOLOv5s網絡模型。

消融試驗是對試驗模型分別進行5次網絡模型訓練，每次訓練輪數（epoch）為50次，對5次訓練結果中的參數進行統計。網絡模型訓練初始學習率為0.003 2，終止學習率為0.12，優化器選擇SGD，優化器動量為0.843，訓練批次為8。

3.2 CSA視覺注意力模塊的影響

為驗證CSA模塊的有效性，在Baseline網絡模型中分別添加SE注意力模塊、CBAM注意力模塊、CSA注意力模塊，并以此為試驗模型進行消融試驗，從參數量（Parameters）與mAP@0.5、mAP@0.5∶0.9上綜合比較兩種常見的注意力模塊與本文注意力模塊的性能，具體結果如表3所示。

由表3可知，CSA模塊整體的參數量與SE模塊、CBMA模塊相當。盡管平均mAP@0.5∶0.9上差異不大，但標準差更小，同時在平均mAP@0.5上體現出明顯的優勢?？梢钥闯?，CSA注意力模塊相較于其他注意力模塊，在不增加更多參數量的同時，可以較好地提升模型性能，為后續的知識蒸餾架構提供模型基礎。

將嵌入CSA注意力模塊和嵌入CA注意力模塊的YOLOv5網絡模型在訓練過程中的損失曲線進行對比，具體結果如圖4所示。

在訓練過程中，CSA-YOLO相較于CA-YOLO在總損失曲線上擁有更快的收斂速度和更平穩的收斂曲線，這一特點在分類損失曲線上更加明顯，可見，相較于CA注意力模塊，本文述及的CSA模塊考慮增添7×7大核卷積模塊雖然增加了小部分參數量，但其可以明顯提升網絡收斂速度，加速訓練。

試驗證明，引入注意力模塊（CSA）可以提高模型的準確率，但僅僅增加CSA注意力模塊的數量，會降低模型的推理速度。因此，將卷積模塊（Conv）與CSA注意力模塊相結合構成Conv-CSA模塊，并探究了使用Conv-CSA模塊替換YOLOv5模型中不同位置核心卷積塊的表現，具體如圖5所示。

從中選出mAP@0.5、mAP@0.5∶0.9較高的四組網絡模型訓練結果，訓練結果如表4所示。

在表4 CSA Location列中，八個數字串每個數字代表CSA-YOLO網絡中八個核心卷積塊所在位置，具體位置如圖（6）所示。其中，數字“1”表示在當前位置核心卷積塊替換為Conv-CSA模塊，數字“0”代表未替換。試驗結果顯示，

將網絡第五和第六個核心卷積塊（即CSA Location為“00001100”）替換為Conv-CSA模塊時，CSA-YOLO網絡模型的平均mAP@0.5達到78.4%，方差僅為0.9%，能較好地駕馭茶葉病蟲害表型圖像的目標檢測任務。

3.3 多重知識遷移結果分析

消融試驗表明，CSA-YOLO可以較好地駕馭茶葉病害表型圖像的目標檢測任務。對比學生模型，其模型整體復雜度也控制在合理范圍內，因此選取CSA-YOLO作為教師模型，LC-YOLO作為學生模型，為更好地權衡教師模型與學生模型的模型參數量、大小以及模型性能，本文使用試驗平臺CPU對教師模型與學生模型進行測試，如表5所示，學生模型參數量、模型大小相較于教師模型均下降30%以上，并且單幀圖片在CPU計算單元上所開銷的推理時間減少35%，表明模型檢測效率得到較大程度提升。

對于蒸餾后模型在試驗平臺上的測試，以教師模型、蒸餾前學生模型、蒸餾后學生模型為試驗模型進行5次網絡模型訓練，使用每次訓練后的三種模型分別對測試集進行測試，對5次測試結果中的mAP@0.5、mAP@0.5∶0.9、平均精度AP進行統計，測試結果的各項參數如表6和表7所示。

如表6所示，蒸餾后的學生模型mAP@0.5、mAP@0.5∶0.9分別為77.1%、53.0%，均得到明顯的提升，且其蒸餾后的標準差（0.89%）相較于蒸餾前（0.93%）也得到明顯的下降，表明模型具有更強的穩定性。由表7可知，蒸餾后的學生模型對于每個病害子類的平均精度AP提升 2～5 個百分點，尤其針對茶白星病病害與茶炭疽病病害這兩類相似度較高的病害子類，蒸餾后的模型性能也得到明顯改善。

蒸餾前后最佳學生模型mAP@0.5曲線及教師模型mAP@0.5曲線如圖6（a）、圖6（b）所示。

如圖6所示，其中茶炭疽病和茶白星病兩類相似度較高的病害，蒸餾后學生模型的平均精度AP均有3%以上的提升。蒸餾訓練后的學生模型mAP@0.5達到78.5%，相對于蒸餾前學生模型mAP@0.5提升3.1%，僅比教師模型mAP@0.5低2.1%。

蒸餾后的學生模型兼顧檢測精度和檢測效率，具有模型參數量小、檢測效率高的特點，可以高效的應用于檢測環境復雜的茶園茶葉病害表型的實時檢測。

4 結論

1） 設計全新的注意力架構CSA模塊，相較于傳統的SE和CBAM模塊，未明顯增加模型復雜度，在mAP@0.5指標上提升一個百分點，對比Baseline模型提升1.4%，一定程度上增強模型對于茶園茶葉病害檢測的能力。

2）采用全新的基于多重知識遷移的知識蒸餾架構，在壓縮模型規模的同時提升模型準確率。學生模型計算量和模型大小相較于教師模型均減少超過1/3，并且單幀圖片在相同計算單位上的推理時間減少約35%，對于每個病害子類的平均精度AP均提升2%以上。

綜合試驗表明，設計的融合注意力及多重知識遷移訓練架構可有效提高模型對部署邊緣受限計算設備的適應性。所構建的全新訓練模型使復雜度顯著降低，不僅加快模型檢測速度而且提升檢測準確率，為茶園茶葉病害表型高效實時檢測提供一種信息化技術方案。

參 考 文 獻

［1］ 翟肇裕， 曹益飛， 徐煥良， 等. 農作物病蟲害識別關鍵技術研究綜述［J］. 農業機械學報， 2021， 52（7）： 1-18.

Zhai Zhaoyu， Cao Yifei， Xu Huanliang， et al. Review of key techniques for crop disease and pest detection ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（7）： 1-18.

［2］ 梅宇， 梁曉. 2021 年中國茶葉產銷形勢報告［J］. 茶世界， 2022（3）： 1-21.

［3］ 王文明， 肖宏儒， 陳巧敏， 等. 基于圖像處理的茶葉智能識別與檢測技術研究進展分析［J］. 中國農機化學報， 2020， 41（7）： 178-184.

Wang Wenming，Xiao Hongru，Chen Qiaomin，et al. Research progress analysis of tea intelligent recognition and detection technology based on image processing ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（7）： 178-184.

［4］ Sugiura R， Tsuda S， Tamiya S， et al. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle ［J］. Biosystems Engineering， 2016， 148： 1-10.

［5］ 楊福增， 楊亮亮， 田艷娜， 等. 基于顏色和形狀特征的茶葉嫩芽識別方法［J］. 農業機械學報， 2009， 40（S1）： 119-123.

Yang Fuzeng， Yang Liangliang， Tian Yanna， et al. Recognition of the tea sprout based on color and shape features ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2009， 40（S1）： 119-123.

［6］ 方坤禮， 廖建平， 劉曉輝. 基于改進JSEG技術的茶葉圖像嫩芽分割與識別研究［J］. 食品工業， 2017， 38（4）： 134-138.

［7］ Borah S， Hines E L， Bhuyan M. Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules ［J］. Journal of Food Engineering， 2007， 79（2）： 629-639.

［8］ Sah S. Machine learning： A review of learning types ［J］.Preprints， 2020.

［9］ 毛騰躍， 黃印， 文曉國， 等. 基于多特征與多分類器的鮮茶葉分類研究［J］. 中國農機化學報， 2020， 41（12）： 75-83.

Mao Tengyue， Huang Yin， Wen Xiaoguo， et al. Research on classification of fresh tea based on multiple feature and multiple classifiers ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（12）： 75-83.

［10］ Singh A， Ganapathysubramanian B， Singh A K， et al. Machine learning for high throughput stress phenotyping in plants ［J］. Trends in Plant Science， 2016， 21（2）： 110-124.

［11］ Li L， Xie S， Ning J， et al. Evaluating green tea quality based on multisensor data fusion combining hyperspectral imaging and olfactory visualization systems ［J］. Journal of the Science of Food and Agriculture， 2019， 99（4）： 1787-1794.

［12］ Tsaftaris S A， Minervini M， Scharr H. Machine learning for plant phenotyping needs image processing ［J］. Trends in Plant Science， 2016， 21（12）： 989-991.

［13］ 吳正敏， 曹成茂， 王二銳， 等. 基于形態特征參數的茶葉精選方法［J］. 農業工程學報， 2019， 35（11）： 315-321.

Wu Zhengmin， Cao Chengmao， Wang Errui， et al. Tea selection method based on morphology feature parameters ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（11）： 315-321.

［14］ 代強， 喬焰， 程曦， 等. 基于深度學習的農作物病害葉片的圖像超分辨率重建［J］. 黑龍江八一農墾大學學報， 2020， 32（2）： 82-90.

Dai Qiang，Qiao Yan，Cheng Xi，et al. Image super-resolution reconstruction of crop disease leaves based on deep learning ［J］. Journal of Heilongjiang Bayi Agricultural University， 2020， 32（2）： 82-90.

［15］ 王曉婷， 趙展， 王陽， 等. 基于改進Mask R-CNN的植物表型智能檢測算法［J］. 中國農機化學報， 2022， 43（8）： 151-157.

Wang Xiaoting， Zhao Zhan， Wang Yang， et al. Intelligent detection algorithm of plant phenotype based on improved Mask R-CNN［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（8）： 151-157.

［16］ 吳昊昱. 基于小樣本學習的自然場景圖像中茶葉病害識別［D］. 合肥： 安徽大學， 2020.

Wu Haoyu. Identification of tea leaf’s diseases in natural scene images based on low shot learning ［D］. Hefei： Anhui University， 2020.

［17］ 余勝， 謝莉. 基于遷移學習和卷積視覺轉換器的農作物病害識別研究［J］. 中國農機化學報， 2023， 44（8）： 191-197.

Yu Sheng， Xie Li. Research on plant disease identification based on transfer learning and convolutional vision transformer ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（8）： 191-197.

［18］ 孫肖肖. 基于深度學習的茶葉嫩芽檢測和葉部病害圖像識別研究［D］. 泰安： 山東農業大學， 2019.

Sun Xiaoxiao. The research of tea buds detection and leaf diseases image recognition based on deep leaning ［D］. Tai’an： Shandong Agricultural University， 2019.

［19］ 項小東， 翟蔚， 黃言態， 等. 基于Xception-CEMs神經網絡的植物病害識別［J］. 中國農機化學報，2021， 42（8）： 177-186.

Xiang Xiaodong， Zhai Wei， Huang Yantai， et al. Plant disease recognition based on Xception-CEMs neural network ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 177-186.

［20］ 周曉麗， 周立軍， 伊力塔， 等. 基于光譜圖像的森林病蟲害自動檢測方法［J］. 應用光學， 2023， 44（2）： 420-426.

Zhou Xiaoli， Zhou Lijun， Yi Lita， et al. Automatic detection method of forest diseases and insect pests based on spectral images ［J］. Journal of Applied Optics， 2023， 44（2）： 420-426.

［21］ 王美華， 吳振鑫， 周祖光. 基于注意力改進CBAM的農作物病蟲害細粒度識別研究［J］. 農業機械學報， 2021，52（4）： 239-247.

Wang Meihua， Wu Zhenxin， Zhou Zuguang. Fine-grained identification research of crop pests and diseases based on improved CBAM via attention ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021，52（4）： 239-247.

［22］ 胡根生， 吳繼甜， 鮑文霞， 等. 基于改進YOLOv5網絡的復雜背景圖像中茶尺蠖檢測［J］. 農業工程學報， 2021， 37（21）： 191-198.

Hu Gensheng， Wu Jitian， Bao Wenxia， et al. Detection of Ectropic cblique in complex background images using improved YOLOv5 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（21）： 191-198.

［23］ 陳繼清， 韋德鵬， 龍騰， 等. 基于卷積神經網絡的害蟲分類［J］. 中國農機化學報， 2022， 43（11）： 188-194.

Chen Jiqing， Wei Depeng， Long Teng， et al. Pest classification based on convolutional neural network ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 188-194.

［24］ 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.

Weng Changji， Wang Qirui， Chen Hongrui， et al. Model for the recognition of large-scale multi-class diseases and pests ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（8）： 169-177.