基于綜合判別特征學習和中層特征監督的農作物病害識別

中圖分類號：S126;TP391.41 文獻標志碼：A 文章編號：1002-1302（2025）14-0208-09

我國是一個農業大國，耕地資源和糧食總產量位于世界前列[。提高糧食產量和質量是事關我國國計民生的大事，而農作物病害是影響糧食產量和質量的重要因素之一。眾所周知，及時識別農作物病害并合理噴施農藥是治理農作物病害的重要手段[2]。然而，由于缺乏專業知識，農民通常無法準確辨別農作物病害類型，進而使農作物病害不能得到及時防治。因此，研究農作物病害自動識別技術對我國的農業可持續發展具有重要的理論和現實意義。

隨著深度學習技術的快速發展，研究者們提出了一些基于深度神經網絡的農作物病害識別方法[3-8]。例如，李淼等提出了一種基于遷移學習和卷積神經網絡的農作物病害識別方法，該方法將批歸一化添加到AlexNet模型中，并利用遷移學習訓練策略對模型參數微調，實現了黃瓜、水稻病害的準確識別[3]。鮑文霞等提出了一種基于多路卷積神經網絡的小麥赤霉病識別方法，該方法首先利用U-Net分割網絡去除背景干擾，然后對分割結果圖像的R、G、B三通道采用卷積提取多路特征，最后融合多路特征得到具有較強判別力的語義特征[4]然而，盡管這些方法大都取得了不錯的病害識別效果，但是它們沒有利用網絡提取的不同層次的判別信息，且對病害的細節信息關注不足。

為了利用網絡提取的不同層次的判別信息，學者們提出了一些多層特征融合方法[9-15]。李昊等首先將預訓練的ResNet50和VGG16網絡進行并聯，然后通過相加以及非線性變換等操作將2個網絡的深層特征融合在一起，得到了表征能力更強的融合特征[9。孫俊等提出了一個基于多層特征融合的改進MobileNetv2模型，通過自下而上的連接方式融合了深層的語義特征和淺層的紋理特征[10]雖然這些多層特征融合方法都能夠在一定程度上提升模型的識別精度，但由于它們的融合方式過于簡單，無法充分地融合多層次特征，進而使得不同層次特征中的判別信息無法得到充分利用。

為了使網絡關注農作物病害的細節信息，學者們提出了一些細節信息增強方法[16-19]。例如，王昌龍等首先運用K-means聚類算法分割出病害圖像的病斑區域，然后計算得到病斑區域的LBP特征圖，最后將LBP特征圖輸人到卷積神經網絡中以獲取描述病斑細節的紋理特征[16]。王等準等通過提取和融合網絡的多尺度特征增強了網絡對細微病斑的識別能力[17]。然而，由于沒有重視含有豐富細節信息的中層特征，這些細節信息增強方法提取的病害細節信息大多不足。

為了解決上述問題，本研究提出了一種基于綜合判別特征學習和中層特征監督的農作物病害識別網絡（crop disease recognition network basedoncomprehensivediscriminantfeaturelearningandmiddlefeaturesupervision，CLMS-Net）。該網絡由1個主干 ResNet50AA.1 個綜合判別特征學習模塊以及1個中層特征監督分支組成。其中，主干ResNet50負責提取農作物病害圖像的淺層、中層以及深層特征；綜合判別特征學習模塊通過對主干ResNet50提取的不同層次的特征進行分析與綜合，得到綜合判別特征；中層特征監督分支用于確保含有豐富細節信息的中層特征的判別力。

1本研究方法

本研究提出的CLMS－Net整體架構如圖1所示。從圖1中可以看出，CLMS－Net由1個ResNet50主干、1個綜合判別特征學習模塊（comprehensive discriminant feature learning module，CDFLM）以及1個中層特征監督分支（middlefeaturesupervisionbranch，MFSB）組成。

圖1CLMS-Net整體架構

由圖1可知，首先將農作物病害圖像送人主干ResNet50得到淺層特征映射 X₁ 、中層特征映射 X₂ 以及深層特征映射 X₃ ;然后，將 X₁，X₂，X₃ 送人綜合判別特征學習模塊處理，得到綜合判別特征映射F_c ；最后，對綜合判別特征映射 F_c 全局平均池化后再依次送入全連接層和Softmax函數處理，得到農作物病害類別的輸出預測值。此外，本研究還額外將中層特征映射 X₂ 送入一個中層特征監督分支處理，得到農作物病害類別的輸出預測值。值得注意的是，在訓練階段，對主干和中層特征監督分支的輸出預測值都采用交叉熵損失函數監督訓練；在測試階段，僅使用主干的輸出預測值作為判斷農作物病害類別的依據。

1.1 綜合判別特征學習模塊

農業專家在鑒別農作物病害時，首先會根據農作物葉片的全局信息來確定其所屬的種類，然后認真分析病斑，并根據葉片的全局信息和病斑特征給出最終結論。在卷積神經網絡中，不同卷積層所關注的信息不同。一般地，淺層和中層更加關注局部細節信息，深層更加關注全局抽象語義信息[20]。為了充分利用淺層特征映射和中層特征映射中的局部細節信息以及深層特征映射中的全局抽象語義信息，做到像農業專家一樣對不同層次的信息進行分析與綜合，設計了一個綜合判別特征學習模塊，如圖2所示。

由圖2可知，綜合判別特征學習模塊以ResNet50的Layer2Layer3、Layer4輸出的3個特征映射 為輸入。對于特征映射 X₁ ，采用卷積核大小為 1× 1、輸出通道數為 c/2 的二維卷積對其處理得到F₁∈R^C/2×H×W ;對于特征映射 X₂ ，首先對其進行2倍上采樣，然后再采用卷積核大小為 1×1 、輸出通道數為C/2的二維卷積對其處理得到F∈RC/2xH×W;對于特征映射 X₃ ，首先對其進行4倍上采樣得到X^′∈R^4C×H×W ，然后采用一個簡單注意力模塊（simpleattentionmodule，SAM）對其進行處理得到F₃∈R^C/2×H×W 。本研究設計的簡單注意力模塊整體結構如圖3所示。它能夠通過挖掘特征映射的通道重要性，增強包含重要信息的通道特征。具體地，給定輸入特征映射，該簡單注意力模塊的輸出為：

圖2綜合判別特征學習模塊

F₃=θ（X^′₃）+Brc[W₁×pool（X^′₃）] （1）式中： θ 為卷積核大小為 1×1 、輸出通道數為 c/2 的二維卷積操作； pool 為全局平均池化操作； W₁∈ R^C/2×4C 為全連接層權重; Brc 為張量廣播操作。

更進一步，由圖2可知，本研究將 F₃，F₂，F₁"依次用3個ConvLSTM單元[21]連接處理。ConvLSTM單元整體結構如圖4所示。圖4中， c_t-1?h_t-1"以及 x_t"分別表示t-1時刻的內部狀態、外部輸出以及 Ψ_tΨ_t"時刻的輸人； c_t"和 h_t"分別表示 χ_t"時刻的內部狀態和外部輸入，可以分別看作截至時刻 Ψ_tΨ_t 累積的知識和 χ_t 時刻的判別輸出。具體地， c_t 和 h_t 的更新規則如下：

式中： σ_i 為卷積核大小為 1×1 、輸出通道數為 c/2 的二維卷積操作； [x_t，h_t-1] 為 x_t 和 h_t-1 的拼接操作； tanh（???） 和 σ（?） 分別為tanh、sigmod函數

圖3簡單注意力模塊整體結構

由圖2可知，令 F₃、F₂、F₁ 分別為時刻1、時刻2、時刻3的輸入。具體地，首先隨機初始化時刻0的內部狀態和外部輸出 c₀ 和 h₀ ，然后將 c₀ 和 h₀ 與F₃ 一起送入ConvLSTM單元1處理，得到關于特征映射 F₃ 的累積知識 c₁ 和判別輸出 h₁ ；然后，將 c₁ 和h₁ 與 F₂ 一起送人ConvLSTM單元2處理，得到關于特征映射 F₂ 和 F₃ 的累計知識 c₂ 和判別輸出 h₂ ；更進一步地，將 c₂ 和 h₂ 與 F₁ 一起送人ConvLSTM單元3處理，得到判別輸出 h₃ ；最后，將3個時刻的判別輸出 h₁，h₂，h₃ 拼接在一起得到最終的綜合判別特征映射 F_c 。顯然，綜合判別特征學習模塊實現了從深層到中層再到淺層的判別特征指導提取，做到了像農業專家一樣對不同層次的判別信息進行分析與綜合，得到了包含農作物類別和病害類型的綜合判別特征。

1.2中層特征監督分支

為了確保包含豐富細節信息的中層特征的判別力，本研究設計了一個中層特征監督分支（圖5）。由圖5可知，該分支由1個二維卷積層、1個全局平均池化操作、1個全連接層以及1個Softmax函數組成。值得指出的是，對該分支額外采用一個交叉熵損失函數監督訓練。特別地，在網絡訓練的前期，不允許該分支梯度反向傳播以防中層特征中包含過多的抽象語義信息。

圖4ConvLSTM單元整體結構

圖5中層特征監督分支整體結構

假設一個訓練小批次有 B 張農作物病害圖像，則對于該批次圖像的中層特征映射 X₂∈ R^{B×2C×H/2×W/2} ，中層特征監督分支的輸出 f_N∈R^B×N （ N 為病害類別數）為：

f_N=δ{W₂×ρ[pool（φ（X₂））]}

式中： φ 為卷積核大小為 1×1 、輸出通道數為 2C 的二維卷積操作； ρ 為 Mixout正則化策略; W₂∈R^N×2C 為全連接層權重； δ 為Softmax激活函數

由公式（4）可知，為了防止由于過度關注細節信息而導致網絡過擬合，對全局平均池化后的特征使用了Mixout正則化策略[22]。具體地，對于全局平均池化后的特征 f∈R^B×2C ，令該批內的樣本隨機配對。假設樣本 Δ_a 和 b 配為一對，則對于它們的特征向量f^（a）∈R^2C 和 f^（b）∈R^2c ，按如下方式交換它們的元素：

式中： 依概率 p 進行元素互換，其中 p 服從參數為 的均勻分布 U（m，n） 。特別地，本研究取 m=0.2，n=0.4 。

1.3 損失函數

由圖1可知，在訓練階段，CLMS-Net的總損失為：

L=λL_ce1+L_ce2°

式中： L_ce1 為中層特征監督分支預測輸出與真實標簽的交叉熵損失； L_ce2 為主干的預測輸出與真實標簽的交叉熵損失； λ 為平衡參數。具體地，交叉熵損失的定義如下：

式中： B，N 分別為一個批次中的圖像數量和類別數； q_jⁱ 表示第 i 張圖像屬于第 j 類的真實標簽值; p_jⁱ 表示第 i 張圖像屬于第 j 類的概率預測值。

2試驗

2.1 數據集介紹

本試驗在公共農作物病害數據集AIchallenger2018、Cassava[23]以及自制農作物病害數據集RCP-Crops[15]上驗證CLMS－Net的有效性。數據集中的部分病害圖像如圖6所示。

圖6部分病害圖像

2.1.1AIchallenger2018農作物病害數據集該數據集在PlantVillage[24]數據集的基礎上擴充了病害圖像，并根據病害嚴重程度進行了更細的類別劃分。該數據集共有葡萄、草莓、馬鈴薯、番茄、桃、柑桔、玉米、辣椒、櫻桃、蘋果10種農作物的59類病害圖像36258幅。試驗中，31726幅圖片用于訓練，4532幅圖片用于測試。

2.1.2Cassava病害數據集該數據集的所有圖片均是在非洲烏干達地區的復雜農田場景拍攝。該數據集包含5種木薯病害類別的21367張病害圖像：健康木薯、木薯褐紋病、木薯綠斑病、木薯細菌性疫病和木薯花葉病。在試驗中，17096幅圖像用于訓練，其余的4271幅圖像用于測試。

2.1.3RCP-Crops農作物病害數據集該數據集由河南大學視頻圖像處理與模式識別課題組制作，圖像拍攝于2022年3—10月，拍攝地點為河南省輝縣市、中牟縣、固始縣和新縣的農田中。該數據集共有花生、水稻、玉米、小麥、棉花5種農作物的25類病害圖像1655幅。試驗中，828幅圖像用于訓練，其余的827幅圖像用于測試。特別地，為了滿足訓練深度網絡模型的需求，采用旋轉變換、錯切變換以及HSV隨機增強等數據增強方式將該數據集中的訓練圖像擴充至3312幅。

2.2 實施細節

本試驗于2024年6月在筆者所在課題組實驗室完成，使用Pytorch1.90深度學習框架實現，并在配置i7-10700FCPU和NVIDIA3090GPU的計算平臺上訓練和測試。對于GLMS-Net，采用在ImageNet數據集[25]上預訓練的ResNet50作為主干。在訓練階段，對圖像進行了翻轉、隨機裁剪等數據增強處理。在測試階段，只對圖像進行中心裁剪處理。此外，所有圖像的分辨率都被調整為224像素 ×224 像素。對GLMS-Net的主干和中層特征監督分支各采用一個SGD優化器訓練30個回合，且2個SGD優化器的權重因子都為 5×10^-4 。具體地，對于中層特征監督分支，在訓練前期禁止其梯度反向傳播，從第6個回合開始，采用初始學習率為 1× 10^-2 ，在第20回合衰減為 1×10^-3 的學習率調整策略對其優化;對于ResNet50主干，采用初始學習率為 2×10^-4 、最小學習率為 4×10^-6 的余弦退火學習率調整策略對其優化。此外，對于其他對比方法，除了圖像預處理操作與GLMS-Net一致以外，它們的實施及訓練細節均參照相應論文設置。

2.3試驗結果及分析

為了驗證CLMS-Net的有效性，本研究將其與7個先進模型進行了比較，包括MSA-ResNet50[6]MISF - Net^[15] 、ConvNext[26]、TL - SE -ResNext -101^[27] 、LMA -CNNs[28] Vit-B^[29] 、Vit - CSRA -B[30]。表1、表2、表3分別為在AIchallenger 2018、Cassava以及RCP-Crops數據集上的試驗結果。為了全面衡量模型的性能，采用準確率、 F₁ 分數作為模型性能的評價指標。準確率指模型預測正確的樣本占全部樣本的比例，能夠直觀反映模型預測結果的準確程度。 F₁ 分數是一種綜合考慮精確率和召回率的評價指標，可以更準確地評價模型的整體性能。

表1AIchallenger2018數據集上CLMS-Net和目前7種先進模型的試驗結果

由表1可知，CLMS-Net在AIChallenger2018農作物病害數據集上的識別準確率和 F₁ 分數分別達到了 89.76%.89.57% ，與其他先進模型相比，CLMS-Net的識別準確率至少提高了1.83百分點，F₁ 分數至少提高了1.71百分點，這表明CLMS-Net達到了農作物病害識別的先進水平。由表2可知，CLMS-Net在Cassava病害數據集上的識別準確率和 F₁ 分數分別達到了 87.95% 87.77% ，與其他先進模型相比，CLMS-Net的識別準確率至少提高了0.65百分點， F₁ 分數至少提高了0.66百分點，這表明CLMS-Net在復雜場景下仍能更精準地識別農作物病害。由表3可知，CLMS-Net在RCP-Crops農作物病害數據集上的識別準確率和F₁ 分數分別達到了 98.19%.98.18% ，與其他先進模型相比，CLMS-Net的識別準確率至少提高了0.60百分點， F₁ 分數至少提高了0.56百分點，這進一步驗證了CLMS-Net 的有效性。

表2Cassava數據集上CLMS-Net和目前7種先進模型的實驗結果

表3RCP-Crops數據集上CLMS-Net和目前7種先進模型的實驗結果

由表1、表2、表3可知，CLMS-Net的識別準確率和 F₁ 分數均明顯高于MISF-Net，而MISF-Net采用拼接方式進行融合多層特征，這表明綜合判別特征學習模塊能夠更充分利用網絡不同層次的特征。此外，只有本研究提出的CLMS-Net對中層特征進行額外監督，并取得最優的性能，這表明中層監督分支能夠顯著提升模型性能。

2.4消融試驗

為了評估中層特征監督分支（MFSB）和綜合判別特征學習模塊對CLMS-Net整體性能的貢獻，在AIchallenger2018數據集上進行了消融試驗。具體地，采用ResNet50作為基線（Baseline），并以此為基礎構建了3個網絡：（1）Baseline + MFSB;（2）Baseline + CDFLM;（3）Baseline +MFSB+CDFLM， 0顯然，Baseline + MFSB + CDFLM就是本研究提出的CLMS -Net。

由表4可知，與Baseline相比，Baseline + MFSB的識別準確率提高了1.35百分點、 ?F₁ 分數提高了1.36百分點，這說明中層特征監督分支可以有效地確保含有豐富細節信息的中層特征的判別力，提高網絡的病害識別精度。與Baseline相比，Baseline + CDFLM的識別準確率提高了2.75百分點 分數提高了2.70百分點，這說明CDFLM能使網絡學習到判別力更強的農作物綜合判別特征，提升網絡性能。與Baseline相比，Baseline + MFSB + CDFLM的識別準確率提高了3.09百分點、 F₁ 分數提高了2.98百分點。這說明MFSB和CDFLM的共同作用能夠顯著提高網絡的病害識別精度。

表4在AIchallenger2018數據集上的消融試驗結果

2.5超參數分析

為了探究損失函數平衡參數 λ 對CLMS-Net性能的影響，在AIchallenger2018數據集上進行了試驗分析，結果如圖7所示。

圖7識別準確率和 F₁ 分數隨損失函數平衡參數 λ 的變化曲線

由圖7可知，當 λlt;0.5 時，CLMS-Net的識別準確率和 F₁ 分數都隨 λ 值增大而增大；當 λgt;0.5 時，CLMS-Net的識別準確率和 F₁ 分數都隨 λ 值的增大而減小。這說明 λ 過小，中層特征監督分支的作用過弱，無法確保中層特征的判別力； λ 過大，主干的作用過弱，無法確保綜合判別特征的判別力。當 λ=0.5 時，主干和中層特征監督分支的作用平衡，網絡性能最優。

2.6分類混淆矩陣可視化

為了直觀展示CLMS-Net的性能，根據AIchallenger2018數據集中10類共696幅病害圖像的分類結果，在圖8中可視化了分類混淆矩陣。由圖8可知，CLMS-Net能夠以較高的準確率識別農作物病害種類，很少出現誤判。然而，由圖8可知，雖然CLMS-Net在識別農作物病害程度上也取得了不錯的效果，但其識別準確率仍需進一步提高。這可能是因為病害程度與病斑的大小、數量、分布以及顏色的深淺等因素有關，而CLMS-Net提取的特征對這些因素關注不夠。在未來工作中，將進一步探索提升網絡細節信息學習能力的策略。

2.7 特征圖可視化

為了直觀地展示綜合判別特征學習模塊和中層特征監督分支（MFSB）的作用，在圖9中可視化了Baseline和CLMS-Net提取的農作物病害特征圖。具體地，圖9-a展示了原始農作物病害圖像；圖9-b展示了Baseline的Layer3輸出的中層特征圖;圖9-c展示了CLMS-Net的Layer3輸出的中層特征圖;圖9-d展示了Baseline的Layer4輸出的深層特征圖;圖9-e展示了CLMS-Net的CDFLM輸出的綜合特征圖。特別地，特征圖中某一位置的顏色越暖說明該位置對識別結果的貢獻越大。由圖9可知，與Baseline提取到的中層特征相比，CLMS-Net提取到的中層特征能夠更加準確地捕捉到病斑的細節信息；與Baseline提取到的深層特征相比，CLMS-Net提取的深層特征能夠捕捉到判別力更強的、同時包括葉片輪廓信息和病斑細節信息的綜合信息。

3總結

本研究提出了一種基于綜合判別特征學習和中層特征監督的農作物病害識別方法。首先，為了充分利用ResNet50提取的淺層、中層以及深層特征，設計了一個綜合判別特征學習模塊，實現了從深層到中層再到淺層的判別特征指導提取，得到了判別力更強的農作物病害綜合判別特征；其次，為了使網絡更加關注病害的細節信息，設計了一個中層特征監督分支，對含有豐富細節信息的中層特征進行額外監督；最后，基于所設計的綜合判別特征學習模塊和中層特征監督分支，設計了一個用于識別農作物病害的網絡CLMS-Net。在公共農作物病害數據集AIchallenger2018和Cassava以及自制農作物病害數據集RCP-Crops上，所提出網絡識別準確率分別達到89. 76% 87.95% 、98. 19% ， F₁ 分數分別達到 89.57%.87.77%.98.18% 。

圖8農作物病害分類混淆矩陣

e表示CLMS-Net的CDILM輸出的綜合特征圖

圖9特征圖可視化

參考文獻：

[1]曾偉輝，李淼，李增，等.基于高階殘差和參數共享反饋卷積神經網絡的農作物病害識別[J]．電子學報，2019，47（9）：1979 -1986.

[2]郭小燕，于帥卿，沈航馳，等．基于全局特征提取的農作物病害識別模型［J]：農業機械學報，2022，53（12）：301-307，379.

[3]李淼，王敬賢，李華龍，等．基于CNN和遷移學習的農作物病害識別方法研究[J].智慧農業，2019，1（3）：46-55.

[4]鮑文霞，孫慶，胡根生，等.基于多路卷積神經網絡的大田小麥赤霉病圖像識別[J].農業工程學報，2020，36（11）：174-181.

[5]葉中華，趙明霞，賈璐.復雜背景農作物病害圖像識別研究[J]．農業機械學報，2021，52（增刊1）：118-124，147.

[6]張凈，李進，劉曉梅.基于多尺度注意力殘差網絡MSA-ResNet的農作物病害識別[J].軟件導刊，2023，22（4）：148-155.

[7]杜甜甜，南新元，黃家興，等．改進RegNet識別多種農作物病害受害程度[J].農業工程學報，2022，38（15）：150-158.

[8]龔安，井曉萌.多卷積神經網絡模型融合的農作物病害圖像識別[J]．計算機技術與發展，2020，30（8）：134-139.

[9]李昊，王斌.深度特征融合方法及其在葉片病害識別中的應用[J]．計算機系統應用，2022，31（7）：349-355.

[10]孫俊，朱偉棟，羅元秋，等．基于改進MobileNet Δv2 的田間農作物葉片病害識別[J].農業工程學報，2021，37（22）：161-169.

[11]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.

[12]宋余慶，謝熹，劉哲，等.基于多層EESP深度學習模型的農作物病蟲害識別方法［J]．農業機械學報，2020，51（8）：196 -202.

[13]Zhao Y，Sun C，Xu X，et al.RIC-Net：a plant disease classficationmodel based on the fusion of Inception and residual structure andembedded attention mechanism[J].Computersand ElectronicsinAgriculture，2022，193：106644.

[14]LinS，XiuYC，KongJL，etal．An effctive pyramid neuralnetwork based on graph-related attentionsstructure for fine -grained disease and pest identification in intelligent agriculture[J].Agriculture，2023，13（3）：567.

[15]杜海順，張春海，安文昊，等．基于多層信息融合和顯著性特征增強的農作物病害識別［J]．農業機械學報，2023，54（7）：214 - 222.

[16]王昌龍，張遠東，繆宏，等．雙通道卷積神經網絡在南瓜病害識別上的應用［J]．計算機工程與應用，2021，57（5）：183-189.果葉部病理識別[J]．激光與光電子學進展，2023，60（2）：89-97.

[18]張紅旗，劉宇，王春光.改進田間雜草識別圖像預處理方法的研究[J]．農機化研究，2015，37（6）：70-73.

[19]RoyA，Bhaduri J.A deep learning enabled multi - class plantdiseasedetectionmodel based oncomputer vision[J].AI，2021，2（3） ：413 -428.

[20]HeKM，Zhang XY，Ren SQ，et al.Deep residual learning forimage recognition[C]//2016 IEEE Conference on Computer Visionand Pattern Recognition（CVPR）.Las Vegas，2016：770-778.

[21]ShiXJ，ChenZR，WangH，etal.Convolutional LSTMnetwork：amachine learning approach for precipitation nowcasting[J].Advances in Neural Information Processing Systems，2O15： 802-810.

[22] Huang S L，Wang X C，Tao D C. Stochastic partial swap：enhancedmodel generalizationandinterpretability for fine-grainedrecognition[C]//2O21 IEEE/CVF International Conference onComputerVision（ICCV）.Montreal，2021：600-609.

[23]張家瑜，朱銳，邱威，等.基于選擇性注意力神經網絡的木薯葉病害檢測算法[J].農業機械學報，2024，55（5）：254-262，272.

[24]Geetharamani G，Arun Pandian J. Identification of plant leafdiseases using a nine -layer deep convolutional neural network[J].Computersamp;Electrical Engineering，2019，76：323-338.

[25]Deng J，Dong W，Socher R，et al.ImageNet：a large- scalehierarchical image database[C]//2Oo9IEEE ConferenceonComputer Visionand Pattern Recognition.Miami，20o9：248-255.

[26]Liu Z，Mao HZ，Wu C Y，et al. A ConvNet for the 202Os[C]//2022IEEE/CVF Conference on Computer Vision and PattermRecognition （CVPR）.New Orleans，2022：11966-11976.

[27]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.

[28]王澤鈞，馬鳳英，張瑜，等.基于注意力機制和多尺度輕量型網絡的農作物病害識別[J]．農業工程學報，2022，38（增刊1）：176 -183.

[29]DosovitskiyA，BeyerL，KolesnikovA，etal.An image is worth 16× 16 words： transformers for image recognition at scale[EB/OL].（2021-06-03）[2024-03-23]. https：//doi.org/10.48550/arXiv.2010.11929.

[30]ZhuK，WuJX.Residual attention：a simplebut effective methodfor multi- label recognition[C]//2021 IEEE/CVF InternationalConference on Computer Vision（ICCV）. Montreal，2021： 184 -193.