基于改進輕量級深度卷積神經網絡的果樹葉片分類及病害識別模型設計

摘 要：新疆是中國重要的林果產業基地，特色林果業是區域經濟發展的重要組成部分。為預防果樹病害制約林果業發展，設計一款歸一化注意力（normalization-based attention module，NAM）輕量級深度卷積神經網絡（MobileNet-V2）果樹葉片分類及病害識別模型。其中融入輕量型的歸一化注意力機制，提高模型對特征信息的敏感度，使模型關注顯著性特征。同時，將L1正則化（L1 regularization或losso）添加到損失函數中，對權重進行稀疏性懲罰，抑制非顯著性權重。試驗結果表明，在葉片分類中，模型對自構建植物葉片病害識別數據集（Plant Village）、混合數據集的分類結果均表現良好，準確率分別達到97. 05%、98. 73%、94. 91%，具有較好的泛化能力。在病害識別中，MobileNet-V2 NAM模型實現94. 55%的識別準確率，高于深度卷積神經網絡（AlexNet）、視覺幾何群網絡（VGG16）經典卷積神經網絡（Convolutional Neural Networks，CNN）模型，且模型參數量只有3. 56 M。MobileNet-V2 NAM在具有良好準確率同時保持了較低的模型參數量，為深度學習模型嵌入到移動設備提供技術支持。

關鍵詞：新疆； 果樹分類； 病害識別； 歸一化注意力輕量級深度卷積神經網絡（MobileNet-V2 NAM）； 歸一化注意力機制

中圖分類號：S436. 611 文獻標識碼：A DOI：10. 7525/j. issn. 1006-8023. 2025. 02. 007

0 引言

20世紀90年代以來，隨著中國農業產業結構調整，林果產業迅速發展，逐漸成為農村經濟增長、農民脫貧致富的支柱性產業。新疆作為中國林果業主要產區之一，經過不斷優化樹種結構和區域布局，已經具有大基地、大產業的發展態勢［1］。但隨著林果業種植結構不斷更新，病害侵襲情況也日益嚴重，傳統林果業分類和病害識別依賴于專家的知識及經驗進行診斷，而在新疆種植地區，由于地域遼闊和交通成本等多重限制因素，農民與植保專家之間的溝通存在障礙［2］。

近年來，隨著人工智能技術的迅猛發展，科研人員開始采用卷積神經網絡（convolutional neural network，CNN）進行圖像處理，包括圖像分類、目標識別和語義分割等技術，以實現對林果的分類和病害的檢測，做到早發現早干預，解決病害造成的果樹健康和產量等問題［3］。Ferentinos［4］針對植物葉片病害識別（PlantVillage）數據集中25種植物的58種疾病，訓練了幾種模型體系，最佳性能達到99. 53%，為相應植物病害識別預警提供支持。Liu等［5］提出一種基于深度卷積神經網絡（AlexNet）的新型病害檢測模型。其調整卷積核大小，以卷積層代替全連接層，并且應用含并行連接的網絡（GoogLeNet）的Inception模塊提升了模型的特征提取能力。Khan等［6］通過混合方法增強輸入圖像的對比度；之后基于相關系數的分割，將病害區域與背景進行分離；最后利用VGG16和AlexNet預訓練模型對6種病害進行特征提取，且嵌入并行特征融合步驟來優化提取的特征，分類準確率達到98. 60%。任守綱等［7］為解決病害識別過程中特征提取具有不確定性的問題，設計了一種反卷積引導的視覺幾何組網絡（Visual Geometry Group Network，VGGNet）模型，對PlantVillage數據集中的10類番茄葉部病害圖像進識別，準確率可達99. 19%。上述研究對卷積神經網絡做出訓練和改進，在農作物病害識別方面取得了良好的成果，但其應用的數據大多為試驗室內采集的簡單背景數據，無法真實反映自然環境下的特征表現，使模型難以區分特征信息與冗余背景，并且，上述研究所用模型皆為經典重量級模型，難以嵌入移動設備。因此，大量學者以自然環境為背景，同時致力于平衡模型的參數大小和識別準確率。劉陽等［8］改進了輕量級卷積神經網絡SqueezeNet，通過刪除模型中的后3個fire模塊、修改fire模塊5的參數、將fire模塊里expand層中1×1和3×3的卷積核數目的比例進行調整等方法，獲得5種新型檢測模型，并運用遷移學習和隨機梯度下降算法進行訓練，其中最優模型參數內存為0. 62 MB，運算量為111 MFLOPs，平均準確率為98. 13%，使模型體積和模型性能具有較好的平衡性。Bi等［9］使用輕量級深度卷積神經網絡（MobileNet）模型來識別蘋果葉斑病和銹病，其識別準確率與復雜的CNN模型相近，但計算成本大大降低，易于部署在移動設備上。王美華等［10］提出一種新的注意力模塊，改進的卷積塊注意力模塊（Improved Convolutional Block AttentionModule，I_CBAM）技術被集成到MoblieNet-V2架構中，實現了通道注意力和空間注意力的并行處理，有效解決了傳統串行處理方式中2種注意力機制相互影響的問題。這種改進使得模型的識別精度得到了顯著提升。Chen等［11］在預訓練的MobileNet-V2中融入了基于位置的軟注意機制，在雜亂的背景條件下，提高了模型對微小病變特征的識別能力。

上述研究基于復雜背景數據，突破了試驗內簡單環境的限制，且融入了注意力機制，賦予模型針對敏感區域識別的能力。但其應用的注意力機制側重于捕捉顯著特征，缺乏對權重影響因素的考慮，因此上述模型的識別性能仍有提升空間。本研究區別于壓縮和激勵網絡（Squeeze-and-Excitation，SE）和卷積塊注意力模塊（Convolutional Block AttentionModule，CBAM）模塊，使用批量歸一化的尺度因子，通過其標準差來表示權重的重要性，利用權重的重要性來評估注意力，進一步抑制不重要的通道或像素。將L1正則化（L1 regularzation或lasso）添加到損失函數中，降低模型的復雜度，平衡了模型的參數量與性能，為模型部署在移動設備中提供思路。

1 材料與方法

1. 1 試驗數據

本項研究的數據采集自塔里木盆地內的渭干河流域，該地區是渭干河與庫車河交匯形成的三角洲綠洲地帶。這一區域具有溫帶大陸性干旱的氣候特征，陽光資源豐富，晝夜溫差顯著，為高品質林果產業的發展提供了理想的條件［12］。試驗采集簡單背景與復雜背景2種數據類型，采集時間為2021年5月27日至5月30日，采集設備為佳能EOS 1300D數碼相機，分辨率為3 456×2 304。簡單背景數據通過野外采摘葉片，并置于試驗室內可控環境下拍攝，拍攝高度20～50 cm，攝像頭與葉片平行拍攝，共包括6種健康葉片，其中，杏樹為265張、棗樹為255張、桑樹為285張、桃樹為278張、梨樹為250張、核桃為330 張，共計1 663 張圖像用于果樹分類試驗。復雜背景數據在果園內直接拍攝，共包括2種果樹的健康與病害葉片，其中，核桃病害葉片68張、核桃健康葉片138張、梨樹病害葉片68張、梨樹健康葉片94張，共計368張圖像，用于果樹病害識別試驗。同時，為了驗證模型的泛化能力，本試驗引入Plant Village中3類果樹健康葉片圖像，其中，蘋果健康葉片為2 219張、藍莓健康葉片為2 568張、櫻桃健康葉片為2 275張，共計7 062張，進行對比試驗。部分果樹葉片圖像如圖1所示。

樣本數量少會導致模型過擬合和特征提取困難等消極影響［13］，為了滿足訓練要求，將收集的果樹圖像進行數據增強，保證數據多樣性。采用水平翻轉、亮度變換［14］、添加噪聲、伽馬變換和對比度變換［15］等方式，將數據擴充到原來的11倍。簡單背景圖像擴充為18 293張，其中，杏樹為2 915張、棗樹為2 805張、桑樹為3 135張、桃樹為3 058張、梨樹為2 750張、核桃為3 630張。復雜背景圖像擴充為4 048張，其中，核桃病害葉片748張、核桃健康葉片1 531張、梨樹病害葉片748張、梨樹健康葉片1 021張。由于Plant Village數據量充足，未對其進行圖像擴充操作。最后將處理后的圖像按照8∶1∶1的比例分為訓練集、驗證集和測試集進行試驗。

1. 2 構建歸一化注意力輕量級深度卷積神經網絡（MobileNet-V2 NAM）

本研究設計一款歸一化注意力（normalizationbasedattention module，NAM）輕量級深度卷積神經網絡（MobileNet-V2）果樹葉片分類及病害識別模型。由于果樹病害特征多樣化，且表面形式受背景環境影響。為真實反映病害在自然環境下的表現形式，驗證模型在復雜環境下的適用性，本試驗選擇新疆地區大面積種植的核桃及庫爾勒香梨構建復雜背景數據集，對其進行病害識別，并與不同注意力機制和經典CNN 模型（包括AlexNet［16］，VGG16［17］，ResNet50［18］）的識別結果比較，驗證模型的病害識別效果。

1. 2. 1 MobileNet-V2模型

2018 年，一種新型輕量級卷積神經網絡MobileNet-V2［19］被提出，其具有更少的參數量、更小的計算量和更高的精度。該新型輕量級卷積神經網絡提出倒殘差模塊（inverted residuals），通過先升維后降維的方式，解決了深層卷積（depthwise convolu‐tion）因不能改變通道數而使特征提取受限的問題。最后，其將逐點卷積（pointwise convolution）降維后的非線性激活函數（ReLU6）替換成線性激活函數（Linear），防止造成特征信息的損失。但是，當面對背景復雜和病斑特征豐富等特點的數據時，MobileNet-V2存在注意力分散，模型無法集中于感興趣區域等問題。因此，本試驗針對MobileNet-V2存在的問題，設計一款輕量級葉片分類及病害識別模型MobileNet-V2 NAM，模型框架如圖2所示。

1. 2. 2 歸一化注意力機制

注意力機制是近年來提高模型性能的熱門技術之一［20］，能使模型聚焦感興趣區域，提高模型對特征信息的關注度，減少冗余背景產生的影響。目前，SENet［21］是在通道維度上進行注意力操作，建立特征圖通道之間的依賴關系，但位置信息在空間結構中難以保留。卷積塊注意力模塊（Convolutional Block AttentionModule，CBAM）［22］是通過通道與空間維度依次推斷注意力。然而，這些工作忽略了訓練中來自調優權重的信息，導致模型無法有效地突出特征信息。歸一化注意力（normalization-based attention module，NAM）［23］是通過利用模型訓練權重的方差度量（variancemeasurement）來突出感興趣信息，提高模型注意力，區別感興趣區域與冗余背景，從而得到圖像中最需要注意的區域，最終獲得更高效的模型。該注意力采用CBAM的模塊集成功能，將通道注意力模塊與空間注意力模塊集成，并嵌入到特征提取層末端。

在通道注意力模塊中，使用批量歸一化（BatchNormalization，BN，式中記為BN）中的尺度因子［24］借助其度量通道的方差展示其重要性。計算公式為

式中：xin 為輸入特征；σB 為mini-batch B的標準差；? 為保證數值穩定性而添加到σ2B 一個常數；μB 為mini-batch B的均值；δ 和β 分別為可訓練的仿射變換參數（scale和shift）。

通道注意子模塊如圖3（a）所示。計算公式為

Mc = sigmoid（Wγ （BN（F1 ）））。（2）

式中：Mc為通道注意力模塊通過sigmoid激活函數輸出特征；F1為衡量模型性能的指標；γ 為通道注意力的尺度因子；Wγ 為γ 的權重，其權重計算公式為

式中：i 表示當前正在考慮的γ 的索引；j 表示在求和操作中正在遍歷的所有γ 的索引。

而在空間注意力模塊中，用BN的尺度因子來度量像素的重要性，即為像素歸一化。空間注意力模塊如圖3（b）所示。計算公式為

Ms = sigmoid（Wλ （BNs （F2 ）））。（4）

式中：Ms為空間注意力模塊的輸出特征；F2為衡量模型性能的指標；λ 為空間注意力模塊中的尺度因子；Wλ為λ 的權重。其權重計算公式為

本研究采用測試集圖像構建Grad-CAM 熱力圖［25］，直觀地展示不同注意力的識別效果，是一種基于CNN的網絡生成可視化技術，能夠對模型的識別結果進行有效的解釋。

1. 2. 3 L1正則化

正則化是防止模型過擬合的有效方法，他不僅加快了模型的訓練速度，而且提高了泛化能力［26］。L1正則化［27］通過稀疏化技術對模型參數進行了處理，生成了一個稀疏矩陣，這有助于進行特征篩選，保留關鍵特征，從而增強了模型的泛化能力。作為損失函數的一部分，這種稀疏化操作對損失函數中的參數施加了約束，減少了模型的復雜性，有助于避免過擬合現象的發生。L1正則化后的新損失函數（L1）計算公式為

式中：（x，y）為輸入和輸出；W 為訓練權重；γ 和λ 是通道與注意力模塊中的尺度因子；l （·） 為CNN的訓練損失；g （·）為L1正則化懲罰函數；r 為平衡g （γ）和g （λ）的參數。

1. 3 環境配置和超參數設置

本試驗在Windows10（64位）系統環境下操作，GPU 為NVIDIA Tesla K80，內存為8 G，CUDA 版本為CUDA11. 1，搭載的處理器為3×Xeon E5-2678 v3。應用開源深度學習框架Ptorch1. 9. 1開發環境，使用Python3. 7. 10 編程語言實現。試驗批處理大?。˙atch-size）為32，迭代次數設為200。所有的訓練模型采用Adam優化器，學習率為0. 000 1。

1. 4 模型評價指標

本研究采用準確率（Accuracy，式中記為Accuracy）、精度（Precision，式中記為Precision）、召回率（Recall，式中記為Recall）、綜合指標F1 值（F1-Score，式中記為F1）作為模型的評價指標，各指標表達式為

式中：TP為正確分類的正樣本數量；TN為正確分類的負樣本數量；FP為錯誤分類的正樣本的數量；FN 為錯誤分類的負樣本數量。

同時，為了更好地評價改進模型的運行成本，本研究應用模型參數量指標進行評估，而在本研究選用“Param”（參數）而不是“FLOPs”（每秒浮點運算次數），2個指標都是衡量機器學習模型不同方面的2個指標，其中參數的數量可以直觀地反映模型的復雜度和容量。參數越多，模型的表達能力通常越強。而FLOPs是模型在推理時的計算量，有助于評估模型的推理速度和硬件需求。為了更加注重與傾向于模型的遷移學習，借助參數量來適應用的不同的任務和數據集，而且參數量有助于評估模型的存儲和部署成本［28］。

2 結果與分析

2. 1 葉片分類結果分析

為充分驗證模型的泛化能力，試驗構建了3種數據集，包括自構建數據集，Plant Village數據集以及兩者混合數據集，并且對不同數據集進行訓練。試驗結果見表1，對于自構建數據集，模型分類準確率達到97. 05%，且各類指標都具有良好的表現，雖然相較于Plant Village數據集分類準確率有所降低，但是在分類數量增加1倍的情況下依然保持優秀的分類結果。對于Plant Village數據集，模型的分類效果最好，分類準確率達到98. 73%，這是由于公開數據集制作過程專業化，圖像質量高且果樹葉片的特征明顯，從而便于模型提取特征。同時，因為數據集中類別較少，只進行3分類操作，模型分類難度低，使其具有較高的分類準確性。然而，試驗將2類數據集混合后，模型對所得的9類別混合數據集進行訓練，其分類準確率降低為94. 91%，試驗采用混淆矩陣可視化方法詳細表明3 類數據集的預測結果。

混淆矩陣是總結模型分類和預測結果的矩陣表。每行代表類別的真實數據，每列代表類別的預測數據。矩陣內容如圖4所示。圖4（a）和圖4（b）中，由于樣本類別較少，特征差異明顯，分類難度較小，使模型表現出良好的分類效果。圖4（c）中，模型在預測香梨時，將12張圖像錯誤分類為蘋果，在預測蘋果時，將16張圖像錯誤分類為香梨，使得模型整體分類準確率降低。觀察圖像發現，香梨與蘋果葉片的形狀、紋理等方面相似，葉片都為卵形，葉緣呈鋸齒狀。所以，模型在學習過程中需要分辨更復雜的特征，對正確分類造成了阻力，導致準確率降低。其次，由于混合數據集類別數量為Plant Village數據集的3倍，導致分類難度加大，準確率有所下降，但是其仍具有較為優秀的結果。綜合3種數據集分類結果表明，MobileNet-V2 NAM模型在不同數據類別的情況下都具有較好的分類效果，最低分類準確率也達到94. 91%，模型具有良好的泛化能力。

2. 2 病害識別結果分析

2. 2. 1 與經典CNN模型的識別結果比較

本試驗將MobileNet-V2 NAM（MobileNet-V2normalization-based attention module）模型與經典CNN模型進行比較后的識別結果見表2，MobileNet-V2 NAM模型對香梨病葉的F1值優于核桃病葉，原因是與核桃病葉相比，香梨病葉的特征信息更為突出，其葉片上多為大面積的褐色斑點以及葉片邊緣蜷曲枯黃。而就健康葉片而言，核桃的F1值要優于香梨0. 51%，這是由于核桃葉片面積大，且葉部脈絡粗壯清晰，加之香梨表面滯塵較多，導致模型更適于識別核桃健康葉片。模型準確率方面，本試驗模型明顯優于AlexNet和VGG16模型，優于表現較差的AlexNet 7. 17%。而ResNet50 網絡層數深，在本試驗中具有良好的識別能力，與MobileNet-V2NAM 相比，ResNet50優于其0. 25%，但深層網絡耗費了大量的計算資源，較難應用于移動設備。因此，在硬件條件允許的情況下，ResNet50適合計算機端運行，而MobileNet-V2 NAM模型參數量小，模型結構簡單，更適合移動終端運行。

2. 2. 2 不同注意力機制的識別結果比較

為了驗證NAM 注意力的優勢，試驗在相同條件下，將改進模型中NAM 注意力分別替換為SE（Squeeze-and-Excitation） 和CBAM （ConvolutionalBlock Attention Module），并應用到測試集上，各模型的識別結果、參數數量見表3。其中，與其他兩類注意力模塊對比，本研究融入NAM注意力機制后仍保持較低的模型參數量，且MobileNet-V2 NAM模型的識別準確率達到94. 55%，高于其余兩類注意力模塊。同時，3類注意力模塊預測健康葉片的精確率普遍大于病害葉片，表明葉片的病害特征復雜，提取難度大，準確識別具有挑戰性。但是MobileNet-V2 對病葉識別的精確率大于90%，最高可達93. 33%，高于其余兩類注意力機制的病葉識別精確率，兩者識別結果均未超過90%，由此表明MobileNet-V2 NAM模型正確識別病害樣本數量增加，NAM注意力機制可以使模型更好地發現圖像中的病害區域，減少冗余背景對識別結果的影響。

借助Grad-CAM 的熱力圖展示結果，如圖5 所示，圖5中P 表示不同注意力機制對病害類別的判斷概率。

由圖5可知，NAM在4類圖像中均表現良好，判斷概率最高可達100%，表明模型關注于大面積受害區域，且局部特征關注度高，對一些微小斑點也有識別。圖5（c）為梨樹缺素癥病葉，特征表現為葉片瘦小，顏色淡黃，NAM能良好地關注到病害區域，并將其與冗余背景區分。而CBAM與SE錯誤地將背景葉片和土壤作為感興趣區域，模型判斷概率為62. 83%和47. 65%，這是由于CBAM與SE缺乏對權重信息重要性的關注，缺素病顏色表現與土壤背景相似，使模型關注于背景環境，導致判斷錯誤。圖5（b）中NAM與CBAM均表現良好，模型關注于病害區域，判斷概率為99. 23%和99. 57%，而SE下降為82. 31%，原因是葉片上存在雨后滯塵，顏色與形狀與病斑相似，SE注意力模塊錯誤地將滯塵識別為病斑，使得模型判斷率下降。結果表明，NAM注意力模塊可以更好地提升模型性能，關注圖像中的病害區域，減少背景環境中滯塵、樹枝與土壤等因素對識別效果的影響。

3 結論與討論

及時有效的病害防治可以降低對果樹的損害，利用移動設備現場拍攝病葉并自動識別診斷已是林果業植保的發展趨勢。雖然現有的經典CNN模型具有良好的識別精度，但其結構復雜、參數量大、計算成本高，較難嵌入至移動設備中。本研究以平衡模型參數大小和識別準確率為目標，使用Mo‐bileNet-V2為基礎網絡骨架，添加NAM注意力機制，使模型集中注意于葉片病害區域，同時避免添加SE、CBAM模塊時使用的全連接層和卷積層而造成參數冗余。同時，將L1正則化添加到損失函數中，進行權重稀疏性懲罰，防止模型過擬合。在果樹分類中，3 種數據集的平均分類準確率分別為97. 05%、98. 73%、94. 91%（表1），模型具有良好的泛化能力。在病害識別中，獲得了一種準確率為94. 55%，參數大小為3. 56M 的輕量級CNN 模型。與經典模型進行比較，準確率最高提升7. 17%，相較RseNet50模型準確率降低0. 25%，但改進模型擁有更小的參數量，使模型在參數量與準確率之間具有更好的平衡性，適合嵌入到移動設備中，為果農即時識別果樹病葉提供技術支持。

Bi等［9］使用標準的MobileNet模型進行蘋果葉片病害識別，表現出良好的效果。而Chen 等［11］在MobileNetV2基礎上引入注意力機制，提高了識別性能，尤其在多種作物病害數據集上表現更佳。展現了MobileNetV2的輕量級的能力，也說明了注意力機制增強了識別能力。

在對比并訓練的AlexNet、ResNet50 和Mobile‐NetV2模型上，該研究的結果也剛好驗證了Mobile‐NetV2模型更適合輕量化葉片的識別［29］。

此外，樣本質量會影響識別效果，新疆特色氣候條件產生獨特的葉片滯塵紋理，模型對其適應性值得討論。本研究團隊計劃面向新疆特色環境來設計模型結構，使其更適應于復雜的果樹種植環境。同時，本研究是基于健康與非健康葉片組成的病害數據集，未來可針對具體病害類別展開研究，并且，可以通過采集多類樹種的葉片圖像構建數據集，豐富地域果樹數據類別。在模型性能方面，未來可應用不同的壓縮技術對模型進行優化，通過提高學習速度，降低模型參數量，進一步解決模型使用成本問題。

【參 考 文 獻】

［1］ 胡東宇，黃力平，高健，等. 促進新疆林果業機械化發展的對策研究［J］. 中國農機化學報，2021，42（4）：211-216，222.

HU D Y，HUANG L P，GAO J，et al. Study on the countermeasuresfor promoting the development of forestry andfruit industry mechanization in Xinjiang［J］. Journal of ChineseAgricultural Mechanization，2021，42（4）：211-216，222.

［2］ BAO W，YANG X，LIANG D，et al. Lightweight convolutionalneural network model for field wheat ear diseaseidentification［J］. Computers and Electronics in Agriculture，2021，189：106367.

［3］ PICON A，SEITZ M，ALVAREZ-GILA A，et al. Crop conditionalconvolutional neural networks for massive multi-cropplant disease classification over cell phone acquired imagestaken on real field conditions［J］. Computers and Electronicsin Agriculture，2019，167：105093.

［4］ FERENTINOS K P. Deep learning models for plant diseasedetection and diagnosis［J］. Computers and Electronics inAgriculture，2018，145：311-318.

［5］ LIU B，ZHANG Y，HE D J，et al. Identification of appleleaf diseases based on deep convolutional neural networks［J］. Symmetry，2017，10（1）：11.

［6］ KHAN M A，AKRAM T，SHARIF M，et al. CCDF：Automaticsystem for segmentation and recognition of fruit cropsdiseases based on correlation coefficient and deep CNN features［J］. Computers and Electronics in Agriculture，2018，155：220-236.

［7］ 任守綱，賈馥瑋，顧興健，等. 反卷積引導的番茄葉部病害識別及病斑分割模型［J］. 農業工程學報，2020，36（12）：186-195.

REN S G，JIA F W，GU X J，et al. Recognition and segmentationmodel of tomato leaf diseases based on deconvolution-guiding［J］. Transactions of the Chinese Society of AgriculturalEngineering，2020，36（12）：186-195.

［8］ 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.

LIU Y，GAO G Q. Identification of multiple leaf diseasesusing improved SqueezeNet model［J］. Transactions of theChinese Society of Agricultural Engineering，2021，37（2）：187-195.

［9］ BI C，WANG J，DUAN Y，et al. MobileNet based apple leafdiseases identification［J］. Mobile Networks and Applications，2020，27：172-180.

［10］ 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 M H，WU Z X，ZHOU Z G. Fine-grained identificationresearch of crop pests and diseases based on improvedCBAM via attention［J］. Transactions of the ChineseSociety for Agricultural Machinery，2021，52（4）：239-247.

［11］ CHEN J，ZHANG D，SUZAUDDOLA M，et al. Identifyingcrop diseases using attention embedded MobileNet-V2model［J］. Applied Soft Computing，2021，113：107901.

［12］ 馬依拉·熱合曼，買買提·沙吾提，尼格拉·塔什甫拉提，等. 基于遙感與GIS的渭庫綠洲生態系統服務價值時空變化研究［J］. 生態學報，2018，38（16）：5938-5951.

MAYILA R，MAMAT S，NIGELA T，et al. The ecosystemservice value spatial-temporal changes in the Ugan-kuqaRiver Delta Oasis based on RS and GIS［J］. Acta EcologicaSinica，2018，38（16）：5938-5951.

［13］ 何軍紅，溫觀發，黎長鑫. 優化Faster R-CNN算法的小樣本缺陷檢測研究［J］. 工業儀表與自動化裝置，2024（5）：94-101.

HE J H，WEN G F，LI C X. Research on small sample defectdetection based on optimized Faster R-CNN algorithm［J］. Industrial Instrumentation amp; Automation，2024（5）：94-101.

［14］ 尹唱唱，趙猛，王曉涵，等. 青島市大氣顆粒物SEM圖像數據集［J］. 中國科學數據（中英文網絡版），2024，9（2）：366-374.

YIN C C，ZHAO M，WANG X H，et al. A dataset of SEMimages of atmospheric particles in Qingdao［J］. China ScientificData，2024，9（2）：366-374.

［15］ 吳樹賢. 基于深度學習的醫學影像腫瘤分割算法研究［D］. 廣州：廣州大學，2024.

WU S X. Research on medical imaging tumor segmentationalgorithm based on deep learning［D］. Guangzhou：Guangzhou University，2024.

［16］ KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNetclassification with deep convolutional neural networks［J］.Communications of ACM，2017，60（6）：84-90.

［17］ SIMONYAN K，ZISSERMAN A. Very deep convolutionalnetworks for large-scale image recognition［J］. arXiv preprintarXiv：1409. 1556，2014.

［18］ HE K，ZHANG X，REN S，et al. Deep residual learningfor image recognition［C］//Proceedings of 2016 IEEE Conferenceon Computer Vision and Pattern Recognition. LasVegas，NV，USA. IEEE，2016：770-778.

［19］ SANDLER M，HOWARD A，ZHU M，et al. Mobilenetv2：Inverted residuals and linear bottlenecks［C］//Proceedingsof 2018 IEEE/CVF Conference on Computer Visionand Pattern Recognition. Salt Lake City，UT，USA. IEEE，2018：4510-4520.

［20］ WANG F，JIANG M，QIAN C，et al. Residual attentionnetwork for image classification［C］//Proceedings of 2017IEEE Conference on Computer Vision and Pattern Recognition.Hololulu，HI，USA，IEEE，2017：3156-3164.

［21］ HU J，SHEN L，SUN G. Squeeze-and-excitation networks［C］//Proceedings of 2018 IEEE/CVF Conference on ComputerVision and Pattern Recognition. Las Vegas，NV，USA. IEEE，2018：7132-7141.

［22］ WOO S，PARK J，LEE J Y，et al. CBAM：Convolutionalblock attention module［C］//Proceedings of the EuropeanConference on Computer Vision （ECCV）. Munich，Germany.2018：3-19.

［23］ LIU Y，SHAO Z，TENG Y，et al. NAM：Normalizationbasedattention module［J］. arXiv preprint arXiv：2111.12419，2021.

［24］ IOFFE S，SZEGEDY C. Batch normalization：Acceleratingdeep network training by reducing internal covariateshift［C］//Proceedings of the 32nd International Conferenceon Machine Learning. Lille France. PMLR，2015：448-456.

［25］ SELVARAJU R R，COGSWELL M，DAS A，et al. Grad-CAM：Visual explanations from deep networks via gradient-based localization［C］//Proceedings of 2017 IEEE InternationalConference on Computer Vision. Venice，Italy.IEEE，2017：618-626.

［26］ WANG H，LONG H，WANG A，et al. Deep learning andregularization algorithms for malicious code classification［J］. IEEE Access，2021，9：91512-91523.

［27］ LIU Z，LI J，SHEN Z，et al. Learning efficient convolutionalnetworks through network slimming［C］//Proceedingsof 2017 IEEE International Conference on ComputerVision. Venice，Italy. IEEE，2017：2736-2744.

［28］ SAINI R，JHA N K，DAS B，et al. ULSAM：Ultra-lightweightsubspace attention module for compact convolutionalneural networks［C］//Proceedings of 2020 IEEEWinter Conference on Applications of Computer Vision.Snowmass，CO，USA. IEEE，2020：1627-1636.

［29］ 李婷婷，王晴晴，唐琦，等. 深度學習下的小樣本玉米葉片病害識別研究［J］. 新一代信息技術，2023，6（24）：1-5.

LI T T，WANG Q Q，TANG Q，et al. Study on the recognitionof maize leaf disease based on deep learning withsmall sample size［J］. New Generation of InformationTechnology，2023，6（24）：1-5.

基金項目：新疆自然科學計劃項目（2021D01C055）；新疆大學國家級大學生創新訓練計劃項目（202310755002）。