基于Res-Inception的農作物病蟲害識別技術

doi：10.15889/j.issn.1002-1302.2024.20.022

摘要：針對現有視覺識別技術對于農作物病蟲害識別存在實際農業生產中識別效果不佳的問題，研究提出了一種結合ResNet和Inception 2種模型優點的新構架Res-Inception塊。Res-Inception塊中采取了ResNet中的殘差結構使得模型可以有效應對深度過深造成的過擬合和模型退化的問題；Res-Inception塊中的卷積層采用Inception模型中的并行聯結策略，將傳統的3×3卷積核由并行的1×3、3×1卷積核代替，在簡化模型參數量的同時使得模型獲得了更強的多尺度特征提取能力；最后通過遷移學習使模型擁有高效的學習能力。在訓練過程中將公開數據集PlantVillage中的多種作物病蟲害作為預訓練樣本，通過遷移學習后對PlantVillage中6種番茄病蟲害圖像進行識別，模型對于訓練集中病蟲害的檢測準確率達到99.1%，驗證集的檢測準確率達到98.9%，平均F1分數達到98.82%。通過與VGG-16、ResNet34、ResNet50等檢測模型在PlantVillage數據集中的6種番茄病蟲害識別測試中，本模型的檢測準確率遠高于這些模型；并且通過對比采用遷移學習前后的模型檢測能力，驗證了本研究提出的模型可以有效解決模型過擬合問題。本研究提出的Res-Inception塊在有效解決了現有模型過擬合及模型退化問題的同時提高了模型的實際檢測效果，該模塊可為農業生產中病蟲害識別模型的輕量化提供新思路，助力模型在實際農業生產中的應用。

關鍵詞：農作物病蟲害；遷移學習；ResNet；Inception；圖像識別

中圖分類號：S126；TP391.41" 文獻標志碼：A

文章編號：1002-1302（2024）20-0181-09

收稿日期：2023-11-18

基金項目：內蒙古自治區科技創新引導項目（編號：Kcj1-202205）。

作者簡介：王洪波（1978—），男，內蒙古呼和浩特人，博士，教授，碩士生導師，從事智能農業裝備研究。E-mail：wanghb@imau.edu.cn。

病蟲害是影響農作物產量的主要原因之一，它的出現常常呈無時序性、暴發性的特點，且對農作物的危害是持續性的。因此當病蟲害發生時若未能及時對其進行有效防控將會降低農作物的產量，甚至會直接影響到農業經濟的發展［1］。因此，對農作物病蟲害的防控是穩定農業經濟、穩定農民收入的重要手段，對民生有著至關重要的意義。

據2022年全國農作物重大病蟲害發生趨勢預報，有多種主要糧食農作物遭受著嚴重的病蟲害侵蝕，其中水稻遭受病害程度比2021年和2016—2020年均值分別增加13.6% 和7.1%，而小麥比2021年和2020年均值分別增長4.8% 和4.2%［2］。因此可以看出，現階段需要行之有效的農作物病蟲害防治手段來減少農業生產中的損失。

我國現階段在農作物病蟲害防治上主要依靠個人經驗進行防治。依靠個人經驗通常受限于個體文化水平，從而對病蟲害認知不足，或是因為個人疏忽，造成未能及時發現病蟲害和阻止病害的擴大，導致農作物受到嚴重的損失。此外，在農作物病蟲害防治上忽視引進現代科技手段，造成當地農業技術人員未能及時掌握農作物的生長狀態，而對農作物病蟲害趨勢的判斷產生影響［3］。由于現階段農作物病蟲害防治的缺陷，導致很多農戶對農藥的使用產生較大的依賴性，農藥的濫用對種植土壤產生嚴重的不良影響，且農產品的安全性大幅降低［4］。因此，使用更為科學有效的技術手段，及時發現農作物病蟲害并治理，對減少農作物損失，建立更加健康的農業經濟環境至關重要。

1" 國內外研究現狀

隨著深度學習在各行業上的成熟應用，不少學者開始將深度學習引入到農業生產中，有關農作物病蟲害識別的深度學習方法不斷被證明了其可行性。深度學習模型常因為圖像質量不均衡而影響識別精度。Xin等通過DCNN（深度卷積神經網絡）對Google數據庫中的病蟲害圖像實現了多質量等級作物病害和病害影像分類，并通過YOLO v4對質量等級分類后的圖像進行測試驗證［5］。

在農作物病蟲害圖像識別技術中，常用靜止圖像來進行識別，因視頻難以獲得有清晰病害特征的圖像，給農作物病蟲害圖像識別技術在實際應用上帶來了很大的挑戰。Li等設計了一種視頻檢測系統，使用視頻幀提取模塊獲得可以用于農作物病蟲害識別的圖像，再使用Faster-RCNN作為圖像檢測器將視頻抽幀器獲得的圖像進行檢測，最后再將各幀重新合成視頻［6］。該系統的設計者用多種水稻病斑圖像驗證了該系統的可行性。由于大規模的架構對算力有一定的要求，運算成本較高，并不適用于裝載在移動設備上，尤其是在農業生產上，需要一個規模較小的識別模型滿足搭載移動端上。Rahman等提出了一種兩階段小型CNN模型，相較于近些年出現的大規模識別模型在水稻病蟲害識別上同樣有著很好的表現，為田間農作物病蟲害自動檢測設備提供了有價值的理論基礎［7］。Liu等構建了真實自然環境下番茄病蟲害數據集，并使用圖像金字塔來優化YOLO v3的特征層，實現了對番茄病蟲害的多尺度特征檢測，能夠準確地標記出病蟲害的位置和類別［8］。

由于農作物病蟲害圖像受到拍攝環境、取像設備、圖像質量不一等的影響，常無法建立大型數據集用于訓練，而數據集的規模較小常常容易造成模型過擬合的問題。范春全等通過收集數據集，利用基于ResNet50的遷移學習模型在樣本較少的情況下完成識別，并建立二分類模型進行數據過濾，以防止非水稻病蟲害圖片被識別為水稻病蟲害的不合理情況，準確率可達95.23%［9］。吳建宇針對38類農作物病蟲害分別使用AlexNet與GoogLeNet模型對數據集進行訓練和驗證，結果顯示其準確率分別為80.1% 與85.1%，由于GoogLeNet層數較深，考慮到使用數據集不大，可能產生較為嚴重的過擬合現象，并提出在AlexNet網絡模型層上添加GoogLeNet所運用的Inception模塊，結果顯示其準確率達到91.72%，有很好的效果，對于農作物病蟲害多分類問題的解決有較大意義［10］。趙立新等通過公開數據集PlantVillage作為預訓練樣本，對仿照AlexNet搭建的識別模型進行預訓練，使用預訓練模型對6種棉花病蟲害圖像進行識別，并且與SVM、BP神經網絡、VGG-16、Inception-v2等經典模型相比較準確率有大幅度提升，解決了數據樣本不夠龐大時欠擬合的問題［11］。黃雙萍等自制水稻穗瘟病數據集，并使用GoogLeNet模型檢測水稻穗瘟病，準確率達到了92%［12］。劉永波等利用Triplet loss雙卷積神經網絡結構學習玉米圖像特征，再使用SIFT算法提取圖像紋理細節，最后通過Softmax分類器對玉米病害進行分類，并在訓練時利用遷移學習，準確率達到90% 以上［13］。龍滿生等主要針對油茶病害識別任務，通過遷移經典的AlexNet卷積神經網絡模型學習得到的知識，實現對油茶病害的準確識別［14］。Jiang等通過對多種水稻葉病斑圖像預處理獲得圖像在R、G、B、H、S、I、Y、Cb和Cr 9個顏色分量的灰度圖像，并使用CNNs對其提取病害形狀和顏色特征，再將卷積得到的特征作為多類SVM的輸入方向去進行分類任務，替代了常用的Softmax分類器，提高了模型的泛化能力和魯棒性，提供了一種將傳統機器學習與深度學習相結合用于農作物病蟲害識別的新思路［15］。

2" 試驗數據的準備與數據集的搭建

2.1" 數據集的建立

使用公開數據集PlantVillage數據集為訓練樣本，選取其中6種番茄病蟲害圖像作為目標數據集，選取4種與番茄病蟲害相似的病蟲害葉片圖像作為源數據集用于預訓練［16-17］。

目標數據集6種番茄病蟲害葉片圖像分別為番茄細菌性斑疹病2 032張、番茄早疫病904張、番茄晚疫病1 813張、番茄煤霉病856張、番茄斑枯病 1 496 張、番茄褐斑病 1 676 張，將上述6種病蟲害葉片圖像按照種類打上標簽，其中番茄細菌性斑疹病標簽為a，番茄早疫病標簽為b，番茄晚疫病標簽為c，番茄煤霉病標簽為d，番茄斑枯病標簽為e，番茄褐斑病標簽為f，如圖1所示。將8 777張番茄病蟲害葉片隨機打亂并按照7 ∶2 ∶1劃分成訓練集、驗證集、測試集。

選取PlantVillage數據集中蘋果黑腐病621張、櫻桃白粉病1 052張、玉米灰斑病513張、馬鈴薯早疫病1 000張共4種病蟲害葉片圖像，作為預訓練的源數據集；同樣將上述圖像按種類打上標簽，蘋果黑腐病標簽為a，櫻桃白粉病標簽為b，玉米灰斑病標簽為c，馬鈴薯早疫病標簽為d，如圖2所示，并隨機打亂，將源數據集中的所有圖像用于預訓練。

2.2" 基于圖像增廣的圖像預處理方法

大型數據集是成功應用深度神經網絡的先決條件，一個大型數據集可以在一定程度上減小模型的過擬合。建立一個大型數據集會在圖像采集、圖像標注、圖像預處理上花費過多的精力，而數據集過小會導致規模較大的模型嚴重過擬合。為了可以將小型數據集用于模型訓練引入了圖像增廣的

方法來對圖像進行預處理，以緩解數據集較小導致模型過擬合的問題。圖像增廣在對訓練圖像進行一系列的隨機變化之后，生成相似但不同的訓練樣本，從而擴大了訓練集的規模。 此外，應用圖像增廣的原因是隨機改變訓練樣本可以減少模型對某些屬性的依賴，從而提高模型的泛化能力和魯棒性。 例如，可以以不同的方式裁剪圖像，使感興趣的對象出現在不同的位置，減少模型對于對象出現位置的依賴。 還可以調整亮度、顏色等因素來降低模型對顏色的敏感度。以其中一張番茄早疫病葉子為例，對其進行隨機翻轉、裁剪、更改色調、對比度、亮度、飽和度，效果如圖3所示。

3" 模型設計

3.1" Res-Inception塊

ResNet模型主要是由能夠實現“shortcut connections”的殘差塊來進行殘差映射，以此來消除網絡過深時引起的退化問題［18-20］。

殘差塊如圖4所示，圖中虛線框內的堆積層將原始輸入x擬合出殘差映射f（x）-x，并進行權重和偏置參數設置為0的加權運算，得到新的恒等運算F（x），這樣把上一層產生的輸出添加到下一層，既不會添加額外的參數，也沒有增加計算的復雜性［21］。

Inception塊是構成GoogLeNet的卷積塊，實現了網絡并行連結的功能［22-23］。Inception塊是一種由多種濾波器組合而成的構架，如圖5所示。圖中所示Inception塊是由4條路徑從不同層面對圖像抽取信息，最后在輸出通道上進行維度連結。這種多濾波器組合的構架實現了對不同濾波器進行不同的參數配置以及設置不同大小的濾波器尺寸，以此實現對圖像多范圍的細節識別。

大量研究表明，增加深度神經網絡的規模并不一定能直接提升其性能，反而會對訓練模型帶來許多問題，如梯度爆炸、梯度消失、網絡退化等。此外

更大的規模通常意味著更多的參數，這使得擴大后的網絡更容易出現過擬合，尤其是在數據集樣本數量較小的情況下。統一增加網絡規模同樣是對計算資源使用的急劇增加，這造成了規模過大的模型難以部署在實際農業生產當中。然而神經網絡構架過小，對圖像細節識別的能力較差，在面對復雜數據集下識別的效果常常不能滿足實際農業生產需求。

因此，為了在實際農業生產當中能夠部署的需求，需要實現一種既深度合適又能有高識別能力的農作物病蟲害識別模型。根據需求，本研究提出了一種新構架——Res-Inception塊，作為神經網絡的基本塊來構成一個新的識別模型。Res-Inception塊同時實現了殘差塊的快捷連接功能以及Inception塊的并路連結功能。結合ResNet以及Inception 2種深度學習模型的優點設計了一種識別模型，來應對模型變深時引起的退化等問題以及多范圍多層次對圖像進行細節識別。

Res-Inception塊由2條并行路徑以及1條快捷連接通道組成，Res-Inception塊與殘差塊類似，同樣是以是否在快捷連接通道上加1×1的卷積層來區分2種塊，Res-Inception塊結構如圖6所示。

由圖6可以看出，2條并行路徑都使用了1×1卷積層，該卷積層主要是用來控制通道數，從而控制模型的復雜性。因此我們不僅可以一定程度上增加模型的深度，還可以增加模型的寬度，卻不會有明顯的性能損失。在1×1卷積層之后分別是窗口大小為3×1以及1×3的卷積層，通過不同大小窗口的卷積層來對輸入進行不同范圍的提取。經過卷積層提取的輸出作為新的輸入進入批量正則化層，批量正則化層是對輸入進行小批量統計數據歸一化，以此來加快深層網絡的收斂速度以及減少過擬合。激活層使用ReLU函數作為激活函數來實現數據線性到非線性的轉化。2條路徑在對數據進行激活后，投入到通道合并層上進行對輸出通道維度上的連結。對連結的輸出，再次經過3×1（1×3）卷積層、批量正則化層、激活層以及通道合并層對其進一步的細化提取。原始輸入通過快捷連接通道疊加到經過2次卷積等操作的新輸出上，實現了殘差映射防止以Res-Inception塊搭建的模型出現梯

度消失、梯度爆炸、退化等問題。這個包含原始特征以及提取得到新特征的輸出作為新的輸入用于下一步的訓練。

3.2" 搭建模型

參照ResNet50，使用Res-Inception塊設計一個新的模型，模型由b1～b6 6個部分構成，如圖7所示。其中b1作為模型的輸入層，由7×7的卷積層、批量歸一層、ReLU激活層和最大池化層構成。b2～b5作為特征提取層，是由多個參數不同的 Res-Inception 塊所構成，構成b2～b5的Res-Inception塊數量分別為3、4、6、3個。b6作為模型的輸出層，是由1個全局平均池化層、1個展開層、1個全連接層所構成。各層輸入通道數、輸出通道數、步頻和填充等詳細參數見表1。

3.3" 基于遷移學習的試驗方法

為了解決數據集樣本數量不充足時帶來的模型過擬合問題，除了使用圖像增廣的方法對圖像進行預處理外，本研究引入了遷移學習。遷移學習不同于對直接從開始訓練的方法，而是搭建用于預訓練源模型以及最后用于識別的目標模型［24-25］。遷移學習是使用預訓練數據集對源模型先進行預訓練獲得參數，將獲得的所有參數賦予到目標模型上，

輸出層除外，而目標模型通過使用目標數據集訓練，對其余各層獲得的參數進行微調以獲得最佳的參數，輸出層則是從頭開始訓練使輸出的類別與數據集中樣本的類別相匹配［26］。

將遷移學習應用到用Res-Inception塊搭建的模型上。使用提前搭建好的源數據集作為預訓練數據集，對其進行預處理，固定輸入的通道以及像素尺寸，圖像增廣，將預處理完的源數據集投入到用Res-Inception塊搭建的模型上進行預訓練。 將預訓練好的pre-Res-Inception模型參數保存并固定到未經訓練的新的Res-Inception模型上，使用提前搭建好的目標數據集并進行相同的預處理操作，投入到模型中訓練對模型各層參數微調，修改輸出層輸出數與目標數據集樣本類別數相同并從頭開始訓練。

3.4" 試驗環境與評價指標

本研究用于訓練、驗證、測試模型的處理器為Intel CoreTM i5-10200H CPU，頻率2.40 GHz，內存大小16 GB，GPU為NVIDIA GeForce RTX3060，顯存大小為6 GB，開發環境為Python 3.9，Pytorch深度學習框架，CUDA 11.6，Windows 11 64位操作系統。固定訓練參數，訓練周期（epoch）為60，學習率為0.001，批量大小（batch size）為56，選用隨機梯度（SGD）下降優化器作為梯度更新方式［27-29］。在模型訓練驗證階段采用模型對訓練集的準確率（Accuracy）和對驗證集的準確度作為評價指標。在模型測試階段，使用模型對測試集進行預測，并以各番茄病蟲害的精確率（Precision）、召回率（Recall）、F1分數（F1-Score），作為評價指標，各評價指標公式如下所示：

Accuracy=TP+TNTP+TN+FP+FN；（1）

Precision=TPTP+FP；（2）

Recall=TPTP+FN；（3）

F1分數=21Precison+1Recall。（4）

式中：TP為真正例；TN為真負例；FN為假負例；FP為假正例。

4" 結果與分析

4.1" 基于Res-Inception塊搭建的模型訓練結果及分析

模型的大小與復雜度通常由參數量和計算量來衡量。參數量較大通常意味著模型能學習到更多的特征，參數量越大同時意味著要占用更多的儲存空間，然而模型學習到的特征并非每個都有意義，經常會出現特征冗余的情況，因此為了保證模型的部署，需要模型實現以更少的參數量達到更好的識別效果。計算量過大意味著需要更多的計算資源，會導致訓練時間加長以及需要更強大的硬件進行訓練和推理，因此為減少模型的訓練成本計算量同樣不能過大。基于Res-Inception塊搭建的模型以及VGG-16、ResNet34、ResNet50 3種常用于農作物病害識別成熟模型的參數量和計算量如表2所示。基于Res-Inception塊搭建的模型的參數量為34.90 MB，計算量為2.19 GFLOPs，均低于其他模型。

對提前搭建好的番茄細菌性斑疹病、番茄早疫病、番茄晚疫病、番茄煤霉、番茄斑枯病、番茄褐斑病6種番茄病蟲害訓練數據集即目標數據集進行圖像預處理，然后直接投入到基于Res-Inception塊搭建的模型以及VGG-16、ResNet34、ResNet50 3種常用于農作物病蟲害識別成熟模型中進行訓練，訓練準確率、驗證準確率如表3所示［30］。

由表3可以看出，4種模型均存在一定的過擬合，其中本研究模型訓練準確率為95.7%，遠高于驗證準確率90.9%，過擬合程度比較嚴重，說明數據集規模大小與模型規模不匹配。VGG-16訓練準確率與驗證準確率錯誤率分別為5.8%、9.2%，該模型在識別6種番茄病蟲害數據集上的表現并不能滿足實際農業生產上的需求，且訓練準確率與驗證準確率相差3.4百分點，過擬合程度同樣嚴重。ResNet34訓練準確率與驗證準確率分別為92.9%、91.2%，相差不大，過擬合程度較小，但是識別準確率過低。ResNet50 2個識別準確率相差4.2百分點，同樣有十分嚴重的過擬合問題。

損失曲線如圖8所示，未經遷移學習的各原始模型在損失函數收斂上都是在40～50個周期時趨于平穩。由Res-Inception塊構成的模型雖然前期收斂速度較快但仍在40個周期后趨于平穩，且相較于VGG-16損失值略高。

綜上所述，4種模型的構架相對于數據集較為復雜，模型的深度意味著擬合復雜特征的能力，模

型深度相較于數據集大小太深，模型規模與數據集規模不匹配，導致模型出現過擬合現象。因此通過引入遷移學習的方法進一步降低模型過擬合問題。

4.2" 基于遷移學習的訓練結果及分析

將提前搭建好用于遷移學習的源數據集進行圖像預處理后投入到基于Res-Inception塊搭建的模型、VGG-16、ResNet34和ResNet50中進行預訓練，得到pre-Res-Inception、pre-VGG-16、pre-ResNet34和pre-ResNet50 4個預訓練模型，再將經過同樣圖像預處理操作的目標數據集投入其中進行遷移學習，訓練準確率、驗證準確率如表4所示。對比表3和表4可以得出，經遷移學習的4個模型不僅過擬合問題顯著降低，且識別效果也有所提升。本研究模型訓練準確率達到99.1%，驗證準確率達到98.9%，不僅對6種番茄病蟲害的識別精度有所提升，且過擬合問題基本解決。而其余3個模型雖識別效果也均有提升，但是識別準確率普遍不高，對識別6種番茄病蟲害的能力有所欠缺，不符合實際生產需求。對比本研究模型經遷移學習前后損失函數收斂情況如圖9所示，經遷移學習后損失函數收斂速度大幅提升，在20個周期時經遷移學習的本模型損失函數趨于平穩，且損失值也遠小于未經遷移學習的本模型。

綜上所述，當數據集較小且模型規模較大時，使用遷移學習對源模型進行預訓練，將得到的參數復制到目標模型并微調，這種訓練模型的方法，對

解決過擬合問題有很大的作用，此外還能夠提升一定的識別準確度。

4.3" 模型預測結果分析

將基于遷移學習訓練完的Res-Inception模型和上述試驗中表現較好的經遷移學習的ResNet50模型對測試集進行預測。測試集各病蟲害圖像數量分別為番茄細菌性斑疹病180張、番茄早疫病80張、番茄晚疫病160張、番茄煤霉病77張、番茄斑枯病132張、番茄褐斑病148張，共計777張番茄病蟲害圖像。將2個模型的預測值與真實值對比所得混淆矩陣如表5和表6所示。由混淆矩陣對模型識別各病蟲害效果評級，計算精確率、召回率和F1分數，如表7所示。由表7可得，經遷移學習后的ResNet50模型，平均精確率為93.69%，平均召回率為94.94%，F1分數平均值為94.22%。而經遷移學習后的Res-Inception模型對各番茄病蟲害平均精確率為98.63%，平均召回率為99.02%，F1分數平均值為98.82%。2個模型相比之下，經遷移學習后的Res-Inception模型比經遷移學習后的ResNet50模型，各項評分均有很大提升，且分類性能（按F1分數的高底來判別）提升了4.6百分點。

5" 結論

本研究提出了一個結合ResNet和Inception 2種模型優點的Res-Inception新構架，Res-Inception塊同時實現了殘差塊的快捷連接功能以及Inception塊的并路連結功能。使用圖像增廣對小規模數據集進行圖像預處理，提高模型的泛化能力以及魯棒性。以Res-Inception塊搭建的模型結合遷移學習方法提升模型的識別效果，降低過擬合。本研究最終模型對6種番茄病蟲害識別的訓練準確率為99.1%，驗證準確率98.9%。本研究模型對測試集進行預測，對6種番茄病蟲害平均精確率達到98.63%，平均召回率達到99.02%，平均F1分數達到98.82%，各類評價指標均超過現有成熟模型。模型規模適中，訓練成本以及占用的計算資源較少，滿足實際農業生產的需求，為后續的移動設備搭載識別模型實現智慧農業打下了理論基礎。

參考文獻：

［1］張玉婷. 農作物病蟲害防治工作存在的問題與對策［J］. 鄉村科技，2022，13（2）：83-85.

［2］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.

［3］武保華. 農作物病蟲害防治中存在的問題及對策［J］. 河北農機，2023（10）：91-93.

［4］李愛芳. 農業種植中病蟲危害特點及應對方法［J］. 農業科技與信息，2021，8（8）：46-47.

［5］Xin M Y，Wang Y. Image recognition of crop diseases and insect pests based on deep learning［J］. Wireless Communications and Mobile Computing，2021，2021（1）：1-15.

［6］Li D S，Wang R J，Xie C J，et al. A recognition method for rice plant diseases and pests video detection based on deep convolutional neural network［J］. Sensors，2020，20（3）：578.

［7］Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.

［8］Liu J，Wang X W. Tomato diseases and pests detection based on improved YOLO v3 convolutional neural network［J］. Frontiers in Plant Science，2020，11：898.

［9］范春全，何彬彬. 基于遷移學習的水稻病蟲害識別［J］. 中國農業信息，2020，32（2）：36-44.

［10］吳健宇. 基于深度卷積神經網絡的農作物病蟲害識別及實現［D］. 哈爾濱：哈爾濱工業大學，2019：20-25.

［11］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.

［12］黃雙萍，孫" 超，齊" 龍，等. 基于深度卷積神經網絡的水稻穗瘟病檢測方法［J］. 農業工程學報，2017，33（20）：169-176.

［13］劉永波，雷" 波，曹" 艷，等. 基于深度卷積神經網絡的玉米病害識別［J］. 中國農學通報，2018，34（36）：159-164.

［14］龍滿生，歐陽春娟，劉" 歡，等. 基于卷積神經網絡與遷移學習的油茶病害圖像識別［J］. 農業工程學報，2018，34（18）：194-201.

［15］Jiang F，Lu Y，Chen Y，et al. Image recognition of four rice leaf diseases based on deep learning and support vector machine［J］. Computers and Electronics in Agriculture，2020，179：105824.

［16］Beyer L，Hénaff O J，Kolesnikov A，et al. Are we done with ImageNet？［EB/OL］. 2020：arXiv：2006.07159.http：//arxiv.org/abs/2006.07159.

［17］Recht B，Roelofs R，Schmidt L，et al. Do ImageNet classifiers generalize to ImageNet？［EB/OL］. 2019：arXiv：1902.10811.http：//arxiv.org/abs/1902.10811.

［18］He K M，Zhang X Y，Ren S Q，et al. Identity mappings in deep residual networks［C］//European Conference on Computer Vision.Cham：Springer，2016：630-645.

［19］Shafiq M，Gu Z Q. Deep residual learning for image recognition：a survey［J］. Applied Sciences，2022，12（18）：8972.

［20］劉曉鋒，高麗梅. 基于改進空間殘差收縮網絡模型的農作物病蟲害識別［J］. 山東農業大學學報（自然科學版），2022，53（2）：259-264.

［21］劉冬寒. 基于改進深度殘差網絡的農作物病害識別研究［D］. 杭州：浙江農林大學，2021：17-20.

［22］Szegedy C，Ioffe S，Vanhoucke V，et al. Inception-v4，inception-ResNet and the impact of residual connections on learning［J］. Proceedings of the AAAI Conference on Artificial Intelligence，2017，31（1）：4278-4284.

［23］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA.IEEE，2016：2818-2826.

［24］樊湘鵬，許" 燕，周建平，等. 基于遷移學習和改進CNN的葡萄葉部病害檢測系統［J］. 農業工程學報，2021，37（6）：151-159.

［25］余小東，楊孟輯，張海清，等. 基于遷移學習的農作物病蟲害檢測方法研究與應用［J］. 農業機械學報，2020，51（10）：252-258.

［26］王東方，汪" 軍. 基于遷移學習和殘差網絡的農作物病害分類［J］. 農業工程學報，2021，37（4）：199-207.

［27］仝衛國，李敏霞，張一可. 深度學習優化算法研究［J］. 計算機科學，2018，45（增刊2）：155-159.

［28］賈" 桐. 深度學習常用優化算法研究［J］. 信息技術與網絡安全，2019，38（7）：42-46.

［29］李" 明，來國紅，常晏鳴，等. 深度學習算法中不同優化器的性能分析［J］. 信息技術與信息化，2022（3）：206-209.

［30］Tammina S.Transfer learning using VGG-16 with deep convolutional neural network for classifying images［J］. International Journal of Scientific and Research Publications，2019，9（10）：143-150.