基于卷積神經(jīng)網(wǎng)絡(luò)的水稻葉片病害檢測與識別研究進(jìn)展

中圖分類號：S435.1；TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-5553（2025）10-0176-08

Abstract：The preventionandcontrolof rice leaf diseases inour countryhas always beenatop priority.Therealizationof fastandaccurate disease detectionand classificationidentificationcanhelp todetectandtaketreatment measuresatanearly stage inatimely manner，thus improving theyieldand qualityofrice.Byanalyzing the existing riceleaf disease detection andrecognitionalgorithms，itisfound thatleafdiseasedetectionbasedontraditional imageprocesing methodsisineficient andinaccurate.However，with thecontinuous developmentof deep learning，disease detectionand recognition basedon convolutional neuralnetwork has becomeanimportant topic forresearchers.Aimingatthe model algorithms usedinrecent years，this paper summarizes the improvement strategies such as data preprocessing and data enhancement，framework structure improvement and transfer learning，compares andanalyzes the performance and limitations of these algorithms， andfinds that most models have the problem of imbalance between acuracy and model parameter quantity performance. Finall，the futureresearch trendsare prospected from the aspectsofdatasetconstruction，modelperformance balanceand generalizationability，whichcanprovidereferenceforeficientdetectionand identificationofriceleaf diseases inthe future.

Keywords：riceleaf;diseasedetectionandidentication；convolutionalneuralnetwork；targetdetection;classicationand identification；improvement strategy

0 引言

水稻作為世界上重要的糧食作物之一，不僅是我國，也是許多其他國家重要的口糧[1]。我國是世界上水稻種植面積最大的國家之一，種植范圍主要集中在東北平原、長江流域的上、中、下游和東南沿海等區(qū)域[2]。根據(jù)國家統(tǒng)計(jì)局發(fā)布的數(shù)據(jù)，截至2023年，我國水稻種植面積達(dá)到 ，稻谷產(chǎn)量為206600kt ，水稻生產(chǎn)在我國國民經(jīng)濟(jì)中具有極其重要的地位。盡管水稻是高經(jīng)濟(jì)價(jià)值農(nóng)作物，但在種植過程中，普遍面臨著細(xì)菌、真菌和病毒等多種病害的侵?jǐn)_，從而導(dǎo)致產(chǎn)量下降，影響經(jīng)濟(jì)效益[3]。因此，及時發(fā)現(xiàn)和治療水稻病害對于保障水稻產(chǎn)量和品質(zhì)至關(guān)重要。水稻病害大多發(fā)生在葉片上，葉片長度較長并且形狀較窄，病害不容易被察覺，尤其是當(dāng)不同的病害呈現(xiàn)出相似的癥狀或同一種病害表現(xiàn)出多樣化的病斑時，由于許多種植者對水稻植株病害的認(rèn)知程度不足，難以準(zhǔn)確識別病害類型，人工肉眼識別通常會出現(xiàn)高概率的誤判。有時，農(nóng)民還會尋求專家?guī)椭@種方式耗時費(fèi)力且效率低下。

自2006年深度學(xué)習(xí)4概念被提出以來，深度學(xué)習(xí)技術(shù)逐漸在不同領(lǐng)域得到廣泛應(yīng)用，包括農(nóng)業(yè)領(lǐng)域的病蟲害檢測、產(chǎn)量估算和農(nóng)作物科學(xué)監(jiān)管等方面。卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為深度學(xué)習(xí)中的重要技術(shù)之一，因其在圖像特征提取和數(shù)據(jù)分析方面的優(yōu)秀表現(xiàn)，被廣泛應(yīng)用于水稻葉片病害檢測與識別的研究中，并已取得了顯著的研究成果。CNN能夠從輸入的水稻葉片病害圖像中自動提取相關(guān)特征[5]。相比于人工肉眼識別水稻葉片病害類型，基于CNN的方法實(shí)現(xiàn)了水稻葉片病害的自動化檢測，減少了對人為干預(yù)的依賴，提高了流程的精度和效率。

本文旨在分析基于CNN的水稻葉片病害檢測與識別網(wǎng)絡(luò)模型，分別論述近年來傳統(tǒng)圖像處理方法和CNN在水稻葉片病害檢測與識別方面的研究進(jìn)展，比較分析不同網(wǎng)絡(luò)模型的性能，并對水稻葉片病害檢測與識別領(lǐng)域未來的研究進(jìn)行總結(jié)和展望。

1水稻葉片病害分類和數(shù)據(jù)集

水稻是亞洲最主要的糧食作物之一，具有重要的經(jīng)濟(jì)意義[6]。然而，水稻葉片病害的出現(xiàn)給水稻的產(chǎn)量和品質(zhì)帶來了巨大的威脅。因此，及時發(fā)現(xiàn)與治療水稻葉片病害對確保水稻的質(zhì)量和品質(zhì)至關(guān)重要。

1.1水稻葉片病害的種類

水稻葉片病害的種類非常豐富，常見的葉片病害包括稻瘟病、白葉枯病、褐斑病和紋枯病等。圖1展示了幾種常見的水稻葉片病害類型。

1）稻瘟病：常見于葉部和節(jié)部，葉片呈現(xiàn)深色斑塊到圓形斑點(diǎn)，邊緣呈薄紅色，中心呈灰白色。

2）白葉枯病：主要發(fā)生于葉片和葉鞘上。初期在稻葉邊緣產(chǎn)生半透明黃色小斑，中期發(fā)展為波紋狀的黃綠或灰綠色病斑，后期轉(zhuǎn)為灰白色，葉片向內(nèi)卷曲。

3）褐斑病：水稻從葉尖和葉邊緣開始，病變逐漸 擴(kuò)展到全葉；病斑初為褐色水漬狀小點(diǎn)，然后擴(kuò)大呈紡錘形、長橢圓形或不正形條斑，最后病斑的中心變灰褐色，組織壞死。

4）紋枯病：病株近水面會呈暗綠色斑點(diǎn)，后擴(kuò)大 呈灰綠色。

圖1常見的水稻葉片病害類型 Fig.1 Common rice leaf disease types

1.2水稻葉片病害數(shù)據(jù)集

由于水稻葉片形狀較窄，在其早期生長階段，病害往往難以被及時發(fā)現(xiàn)，并且一些病害的癥狀相似度較高，給水稻葉片病害數(shù)據(jù)采集帶來一定的困難。因此，水稻葉片病害數(shù)據(jù)集的數(shù)量顯著低于人臉識別和交通檢測等領(lǐng)域的數(shù)據(jù)集。目前研究人員大多使用公開數(shù)據(jù)集或者自建數(shù)據(jù)集，表1總結(jié)了現(xiàn)有的公開水稻葉片病害數(shù)據(jù)集。

表1公開水稻葉片病害數(shù)據(jù)集 Tab.1 Dataset of publicly available rice leaf diseases

研究人員通常使用自建數(shù)據(jù)集，主要通過高分辨率圖像設(shè)備采集數(shù)據(jù)。在當(dāng)?shù)氐咎飳?shí)時拍攝被感染和未被感染的水稻葉片樣本，或者將已拍攝的水稻葉片病害圖像與公開的水稻葉片病害數(shù)據(jù)集結(jié)合，以擴(kuò)充數(shù)據(jù)集的規(guī)模，豐富樣本的多樣性。

2基于傳統(tǒng)圖像處理的水稻葉片病害檢測與識別算法研究

在深度學(xué)習(xí)還未廣泛應(yīng)用于農(nóng)作物病害檢測與識別領(lǐng)域之前，研人員主要使用傳統(tǒng)的圖像處理方法進(jìn)行水稻葉片病害檢測。傳統(tǒng)的圖像處理方法運(yùn)用不同的技術(shù)（如濾波、聚類和直方圖等）以及圖像處理算法（如SVM、KNN和隨機(jī)森林等）來檢測水稻葉片病害類型。Ghyar等[13]提出一種基于計(jì)算機(jī)視覺的水稻葉片病害分類系統(tǒng)，首先采用K一means方法對圖像進(jìn)行分割，利用灰度共生矩陣（GLCM）和顏色矩提取病害的紋理和顏色特征，然后運(yùn)用遺傳算法篩選相關(guān)特征，消除冗余特征，最后使用人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）算法對120張水稻葉片病害圖像進(jìn)行分類。結(jié)果表明，ANN的分類準(zhǔn)確率為87.5% ，SVM分類準(zhǔn)確率為 92.5% 。Htun等[14]設(shè)計(jì)一個基于圖像處理技術(shù)的水稻葉片病害自動檢測與分類系統(tǒng)。通過對收集到的143張彩色水稻葉片病害圖像進(jìn)行處理，轉(zhuǎn)換成灰度圖像，再運(yùn)用主成分分析（PCA）顏色矩和GLCM提取圖像特征信息，最后利用SVM算法對病害圖像進(jìn)行分類。結(jié)果表明，該系統(tǒng)的平均分類準(zhǔn)確率達(dá)到 90% 。Bashir等[15]采用基于SVM的方法對400張水稻葉片病害圖像進(jìn)行檢測與分類。通過使用EMGUI函數(shù)對圖像進(jìn)行預(yù)處理，將葉片圖像轉(zhuǎn)換為灰度圖像，結(jié)合SIFT算法和BFmatcher對特征信息進(jìn)行檢測和匹配，再使用SVM算法對病害進(jìn)行分類，算法識別準(zhǔn)確率為 94.16% 。Sharma等[16]使用貝葉斯分類器和最小距離分類器對200張水稻葉片病害圖像進(jìn)行檢測，使用不同的特征向量來檢測水稻葉片中的病害類型。結(jié)果表明，貝葉斯分類器和最小距離分類器的總體準(zhǔn)確率分別為69.35%.81.06% 。Saha等[17采用強(qiáng)度矩作為特征向量提取水稻葉片病害圖像的特征信息，運(yùn)用隨機(jī)森林算法對352張葉片病害圖像進(jìn)行分類，算法的總體識別準(zhǔn)確率達(dá) 91.47% 。Thepade等[18提出一種基于Otsu 閥值與Thepade分塊截?cái)嗑幋a（TSBTC）特征融合的水稻葉片病害檢測方法。該方法使用Otsu閾值法提取圖像的局部特征，TSBTC提取全局特征，將提取的特征信息融合生成特征向量，以實(shí)現(xiàn)對3344張葉片病害圖像的識別，總體識別精度達(dá) 85.9% 。

傳統(tǒng)的圖像處理方法通常依賴較小規(guī)模的數(shù)據(jù)集，無法充分覆蓋多尺寸和大規(guī)模數(shù)據(jù)集訓(xùn)練的需求。在圖像特征提取方面，通常需要單獨(dú)設(shè)計(jì)特征提取算法，然而，這些算法缺乏對不同類型葉片病害和多樣化圖像條件的通用性，進(jìn)而影響分類器性能的穩(wěn)定性。此外，傳統(tǒng)方法往往采用線性或簡單的非線性分類器，難以捕捉圖像中的復(fù)雜非線性關(guān)系和高階特征，導(dǎo)致其在處理復(fù)雜葉片病害分類任務(wù)時的效果受到限制。

3基于卷積神經(jīng)網(wǎng)絡(luò)的水稻葉片病害檢測與識別算法研究

隨著卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在農(nóng)業(yè)領(lǐng)域的持續(xù)發(fā)展，農(nóng)作物病蟲害檢測成為當(dāng)前的研究熱點(diǎn)之一。近年來，越來越多的研究人員投入到水稻葉片病害檢測與識別領(lǐng)域的研究中，提出了多種卷積神經(jīng)網(wǎng)絡(luò)模型，用于實(shí)現(xiàn)對水稻葉片病害的檢測。CNN善于從輸入數(shù)據(jù)中提取局部特征，將低級形狀和紋理特征轉(zhuǎn)化為高級語義特征，在圖像檢測與識別中表現(xiàn)出明顯的優(yōu)勢，且可以有效應(yīng)用于大規(guī)模數(shù)據(jù)集[19]。CNN目前是農(nóng)作物病害檢測和分類中廣泛采用的深度學(xué)習(xí)方法之二[20]，由卷積層、池化層、激活層和全連接層組成，如圖2所示。卷積層中的卷積核大小控制著對輸入信息中局部空間關(guān)聯(lián)性特征的提取，旨在增強(qiáng)原始信號的某些特征并抑制噪聲的干擾21；池化層通過統(tǒng)計(jì)相鄰區(qū)域的特征值來替代單點(diǎn)值，在減少數(shù)據(jù)維度的同時又保留有效特征信息。常見的卷積神經(jīng)網(wǎng)絡(luò)有ResNet22]、DenseNet[23]、GoogleNet[24]、EfficientNet[25等。

圖2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Fig.2 Convolutional neural network structure

盡管常見的卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力，但其直接用于水稻葉片病害檢測時，模型檢測性能較低。因此，研究人員對CNN模型提出改進(jìn)，本文篩選的CNN模型主要通過數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強(qiáng)、框架結(jié)構(gòu)改進(jìn)和遷移學(xué)習(xí)等方法來提高模型性能。

3.1數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強(qiáng)

在深度學(xué)習(xí)應(yīng)用中，數(shù)據(jù)集的擴(kuò)充和質(zhì)量提升是關(guān)鍵任務(wù)，這直接影響模型可以學(xué)習(xí)到的有效特征的數(shù)量。為解決這一問題，可以通過數(shù)據(jù)預(yù)處理和數(shù)據(jù)增強(qiáng)操作處理數(shù)據(jù)集。表2列舉篩選部分文獻(xiàn)中使用的數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強(qiáng)方法。

表2文獻(xiàn)中數(shù)據(jù)預(yù)處理和數(shù)據(jù)增強(qiáng)方法Tab.2Data preprocessing and data augmentation methodsin the literature

數(shù)據(jù)預(yù)處理是指在對數(shù)據(jù)進(jìn)行挖掘之前，對數(shù)據(jù)進(jìn)行必要的清洗、整合、轉(zhuǎn)換、離散、特征選擇和提取等一系列處理，以滿足挖掘算法獲得所需知識的規(guī)范與標(biāo)準(zhǔn)。常見的方法有數(shù)據(jù)篩選、尺寸調(diào)整、分辨率變換和對比度調(diào)整等。

數(shù)據(jù)增強(qiáng)是指在不實(shí)質(zhì)性增加數(shù)據(jù)量的情況下，讓有限的數(shù)據(jù)產(chǎn)生更多的數(shù)量。常見方法有翻轉(zhuǎn)、旋轉(zhuǎn)、隨機(jī)裁剪、添加噪聲、模糊處理以及顏色變換等[26]。

3.2 框架結(jié)構(gòu)改進(jìn)

在對數(shù)據(jù)集進(jìn)行改進(jìn)和擴(kuò)充后，為進(jìn)一步提高模型性能，通常會采用框架結(jié)構(gòu)改進(jìn)的方法，例如替換模型的主干網(wǎng)絡(luò)、添加注意力機(jī)制和特征金字塔等。

3.2.1替換主干網(wǎng)絡(luò)

主干網(wǎng)絡(luò)是目標(biāo)檢測任務(wù)的基本特征提取器，不同的主干網(wǎng)絡(luò)在特征提取的能力上有所差異，通過替換主干網(wǎng)絡(luò)可以增強(qiáng)模型的特征提取能力，從而提升模型的整體性能。不同的檢測任務(wù)對特征提取的需求不同，通過替換可以使模型更好地適應(yīng)特定任務(wù)的需求。

周維等[31將YOLOv4的主干特征提取網(wǎng)絡(luò)CSPDarkNet53替換為輕量化GhostNet，采用 3×3 深度可分離卷積代替普通 3×3 卷積，改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)并提高特征提取的能力。Kumar等[33通過將YOLOv5的主干網(wǎng)絡(luò)替換為DenseNet—2O1解決梯度消失問題，同時提升信息流動效率。Jia等34將MobileNetV3—small替換為YOLOv7的主干特征提取網(wǎng)絡(luò)，使網(wǎng)絡(luò)具有深度可分離卷積和線性瓶頸殘差結(jié)構(gòu)。模型具有高效的檢測速度，并且減少網(wǎng)絡(luò)的占用內(nèi)存。

3.2.2 添加注意力機(jī)制

注意力機(jī)制的主要作用是通過對輸入圖像的特征權(quán)重動態(tài)調(diào)整，使模型注意力集中在最重要的特征區(qū)域，同時抑制特征的不相關(guān)部分[36]，從而提高模型精度。簡而言之，在模型上添加注意力機(jī)制可以提升模型的特征提取能力。水稻葉片形狀小而窄，因此網(wǎng)絡(luò)模型的特征提取能力至關(guān)重要，增強(qiáng)特征提取能力將使模型能夠提取到更有效的葉片病害區(qū)域特征信息，從而提高模型的檢測準(zhǔn)確度。

高雨亮等2在網(wǎng)絡(luò)中加入分組注意力機(jī)制，在通道維度上先對輸入特征進(jìn)行分組，再賦予每組特征通道注意力和空間注意力權(quán)重，有效提高模型的特征提取能力。潘晨露等[28將高效通道注意力（ECA）模塊與Ghost模塊相結(jié)合，構(gòu)建G一ECALayer結(jié)構(gòu)，如圖3所示。G—ECALayer使用線性變換代替卷積運(yùn)算，從而避免了在學(xué)習(xí)通道注意力時特征信息維度的縮減，顯著提升了對通道特征信息的提取效率。衛(wèi)雅娜等[29]結(jié)合了輕量級卷積注意力模塊（CBAM，它可以從通道和空間2個維度為特征圖的各部分賦予不同的權(quán)重，從而將注意力集中在重要的特征信息上。嚴(yán)陳慧子等[32在模型的頸部網(wǎng)絡(luò)加人了8個坐標(biāo)注意力（CA）模塊，有助于突出圖像中葉片病害區(qū)域的特征信息，減少不相干區(qū)域的干擾，提高檢測準(zhǔn)確度。袁培森等35將MobileNetV3—small中的擠壓和激勵（SE）注意力模塊替換為輕量化ECA模塊，在處理圖像特征時可以自動地為不同通道分配不同的權(quán)重，使模型更加注重圖像的關(guān)鍵特征信息，提升性能并減小參數(shù)規(guī)模，實(shí)現(xiàn)輕量化操作。路陽等[3在模型的各模塊交匯處添加了CA模塊，增強(qiáng)了模型對重要特征信息的提取能力。然而，由于CA模塊接收到的特征圖是模型處理后高維拼接的，這可能使得葉片病害的特征信息過于分散且不利于進(jìn)一步分析。為此，在CA中引入一個包含2個1D卷積的DCA模塊，這使得模型能夠過濾掉大量無用的非病害特征信息，防止病害特征數(shù)據(jù)的多次重復(fù)迭代，從而提高模型對水稻葉片病害的檢測精度。

3.2.3 特征金字塔

特征金字塔可以學(xué)習(xí)圖像不同尺度特征圖的信息，從而達(dá)到特征融合的目的，其結(jié)構(gòu)如圖4所示。特征融合是指來自不同層或分支的特征組合，是現(xiàn)代網(wǎng)絡(luò)體系結(jié)構(gòu)中很常見的一種操作。特征融合方法能夠綜合利用多種圖像特征，實(shí)現(xiàn)多特征的優(yōu)勢互補(bǔ)，獲得更加準(zhǔn)確的識別結(jié)果。通過融合多尺度的數(shù)據(jù)信息，模型可以更好地適應(yīng)不同尺寸的目標(biāo)并進(jìn)行預(yù)測，從而提升模型的泛化能力和魯棒性[38]。對于水稻葉片病害這一小目標(biāo)而言，小尺度的特征映射難以提供必要的分辨率信息，因此需要結(jié)合大尺度的特征映射。而在深層網(wǎng)絡(luò)中，過度的下采樣容易導(dǎo)致信息丟失，從而可能忽略小目標(biāo)的信息。因此，使用特征金字塔對模型進(jìn)行特征融合可以更好地提取水稻葉片病害區(qū)域的特征信息。

圖3G-ECALayer結(jié)構(gòu)Fig.3G—ECALayerstructure

Kumar等[33使用了雙向特征金字塔網(wǎng)絡(luò)，將加權(quán)特征融合和雙向跨尺度連接結(jié)合到模型中，構(gòu)建多尺度特征融合模塊。為了更加有效地進(jìn)行特征提取，多尺度特征融合在不同的分辨率下組合特征。引入雙向特征金字塔網(wǎng)絡(luò)旨在增強(qiáng)特征向量，提高主干網(wǎng)絡(luò)各階段的特征提取效率，實(shí)現(xiàn)高級語義特征與低級細(xì)粒度特征的融合。

3.3 遷移學(xué)習(xí)

遷移學(xué)習(xí)[39]通常使用預(yù)訓(xùn)練模型實(shí)現(xiàn)，其目標(biāo)是通過發(fā)現(xiàn)相似性，將一個任務(wù)上的知識遷移到新任務(wù)上。具體而言，將大型基準(zhǔn)數(shù)據(jù)集上預(yù)訓(xùn)練的模型應(yīng)用到水稻葉片病害的小型數(shù)據(jù)集，不僅解決了數(shù)據(jù)集樣本不足的問題，還提高了模型的特征提取能力，減少了訓(xùn)練時間和成本，同時利用模型已有的知識和經(jīng)驗(yàn)，提升模型的性能和泛化能力。

Upadhyay[30采用預(yù)訓(xùn)練的InceptionV3模型權(quán)重，并將其遷移到水稻葉片病害數(shù)據(jù)集上進(jìn)行訓(xùn)練，使模型獲得更多的特征信息，并顯著提升訓(xùn)練效率。周維等[31利用公開的目標(biāo)檢測數(shù)據(jù)集PASCALVOC的預(yù)訓(xùn)練權(quán)重，結(jié)合凍結(jié)訓(xùn)練的遷移學(xué)習(xí)策略，不僅加快了模型的訓(xùn)練速度，還降低了對計(jì)算資源的需求。袁培森等[35]將在PlantVillage數(shù)據(jù)集[40]上訓(xùn)練得到的預(yù)訓(xùn)練權(quán)重遷移到水稻葉片病害識別模型，結(jié)果表明，相比于未使用遷移學(xué)習(xí)的模型，其識別準(zhǔn)確率提高 2.45% 。

4檢測性能對比

通過對上述文獻(xiàn)的研究與分析，總結(jié)基于傳統(tǒng)圖像處理方法的水稻葉片病害檢測與識別算法，如表3所示。而基于卷積神經(jīng)網(wǎng)絡(luò)的水稻葉片病害檢測與識別模型則根據(jù)改進(jìn)策略、模型準(zhǔn)確率、網(wǎng)絡(luò)參數(shù)量和局限性4個方面在表4中進(jìn)行列舉。當(dāng)前用于水稻葉片病害檢測與識別的網(wǎng)絡(luò)模型種類繁多，受網(wǎng)絡(luò)類型、數(shù)據(jù)集質(zhì)量和改進(jìn)方法等因素的影響，各模型在性能上表現(xiàn)出一定的差異。

表3基于傳統(tǒng)圖像處理方法的水稻葉片病害檢測與識別算法 Tab.3Rice leaf disease detection and recognition algorithms based on traditional image processing methods

注：按模型準(zhǔn)確度由低到高排列。下同。

通過對上文基于傳統(tǒng)圖像處理方法和卷積神經(jīng)網(wǎng)絡(luò)的水稻葉片病害檢測算法的論述，以及對表3和表4的分析可以看出，傳統(tǒng)圖像處理方法通常需要手動設(shè)計(jì)單獨(dú)的特征提取器，導(dǎo)致模型僅對訓(xùn)練的水稻葉片病害數(shù)據(jù)集具有較好的特征提取能力。與此同時，傳統(tǒng)方法所使用的葉片病害數(shù)據(jù)集規(guī)模較小，這使得模型的通用性較弱；相反，基于CNN的方法通過對大規(guī)模數(shù)據(jù)集的訓(xùn)練，可以自動地學(xué)習(xí)病害圖像的特征，從而更好地適應(yīng)復(fù)雜的圖像結(jié)構(gòu)和變化。傳統(tǒng)圖像處理算法相對簡單，不適用于復(fù)雜的圖像處理任務(wù)；而基于CNN的模型由多層神經(jīng)網(wǎng)絡(luò)組成，能夠處理更復(fù)雜的圖像任務(wù)，具有較強(qiáng)的通用性。

表4基于CNN的水稻葉片病害檢測與識別模型 Tab.4 Rice leaf disease detection and identification models based on convolutional neural netwol

注：DA是指數(shù)據(jù)增強(qiáng)，DP是指數(shù)據(jù)預(yù)處理，F(xiàn)SI是指框架結(jié)構(gòu)改進(jìn)，TL是指遷移學(xué)習(xí)。由表4可知，水稻葉片病害檢測準(zhǔn)確率最低的是 文獻(xiàn)[31]中的YOLOv4—GhostNet，最高的是文獻(xiàn)[37]

中的PRC—Net。 YOLOv4—GhostNet模型是在YOLOv4的基礎(chǔ)上，將主干網(wǎng)絡(luò)替換為輕量化的GhostNet，并應(yīng)用遷移學(xué)習(xí)技術(shù)，以減小模型參數(shù)量，輕量化模型并提高檢測速度。然而，該模型的檢測準(zhǔn)確率較低，仍有待進(jìn)一步提升。相比之下，PRC一Net由3個漸進(jìn)卷積塊組成，該模塊不僅擴(kuò)大了模型的卷積感受野，還有效傳遞了完整的圖像特征信息，實(shí)現(xiàn)全局和局部特征的信息提取。此外，模型還引人了改進(jìn)的坐標(biāo)注意力機(jī)制CA，增強(qiáng)了對不同尺度葉片病害圖像特征的提取，大幅提高了模型的檢測準(zhǔn)確率。

網(wǎng)絡(luò)參數(shù)方面，文獻(xiàn)[28]中的G一ECADenseNet網(wǎng)絡(luò)參數(shù)量最多，文獻(xiàn)[29中的CG—EfficientNet參數(shù)量最少。G—ECADenseNet模型基于DenseNet201，是一個非常深層的卷積神經(jīng)網(wǎng)絡(luò)，包含多個密集連接的卷積塊，因此具有較多的參數(shù)量和較大的內(nèi)存需求。相比之下，CG—EfficientNet模型基于輕量化網(wǎng)絡(luò)EfficientNet—BO，還引入了輕量級卷積注意力模塊CBAM，同時結(jié)合輕量級Ghost模塊，提高模型的運(yùn)算速度，減少計(jì)算量，在保證高準(zhǔn)確率的同時大幅降低網(wǎng)絡(luò)參數(shù)量。

綜合分析現(xiàn)有的網(wǎng)絡(luò)模型發(fā)現(xiàn)，大多數(shù)模型在提高準(zhǔn)確率的同時，網(wǎng)絡(luò)復(fù)雜度也顯著增加，存在性能不平衡的問題。因此，新提出的模型應(yīng)該追求性能的平衡，不僅要提高準(zhǔn)確率和減少參數(shù)量，還應(yīng)該關(guān)注精確率、召回率、檢測速度等方面的評價(jià)指標(biāo)。

5展望

綜述卷積神經(jīng)網(wǎng)絡(luò)在水稻葉片病害檢測與識別中的技術(shù)方法。首先，介紹水稻葉片病害的分類以及當(dāng)前已有的數(shù)據(jù)集；隨后，探討基于傳統(tǒng)圖像處理的水稻葉片病害檢測與識別算法，并分析其存在的問題；再從改進(jìn)策略的角度對基于卷積神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行研究和分析，提出模型的局限性；最后，對模型的準(zhǔn)確率和參數(shù)量進(jìn)行比較分析。盡管卷積神經(jīng)網(wǎng)絡(luò)在水稻葉片病害檢測與識別領(lǐng)域取得顯著成果，但網(wǎng)絡(luò)模型仍有進(jìn)一步提升的空間。

1）數(shù)據(jù)集質(zhì)量和規(guī)模：針對數(shù)據(jù)集質(zhì)量參差不齊和多樣性不足的問題，需要建立一個大規(guī)模且標(biāo)準(zhǔn)的水稻葉片病害數(shù)據(jù)集，包括在不同時間段和天氣條件下采集的葉片病害圖像，并確保各個類別樣本數(shù)量均衡。

2）多模態(tài)數(shù)據(jù)集：引入不同形式的水稻葉片病害數(shù)據(jù)，如視頻、傳感器輸人和文本等，為模型訓(xùn)練提供更豐富的特征信息，從而提升模型的性能。

3）模型性能平衡：在改進(jìn)模型時，應(yīng)避免為提升準(zhǔn)確率而盲目增加模塊，導(dǎo)致參數(shù)量急劇增加。輕量化模塊的運(yùn)用不僅能夠提高模型準(zhǔn)確率，還可以有效控制網(wǎng)絡(luò)參數(shù)的規(guī)模。在后續(xù)研究中，需注重模型性能的平衡，既要提升模型的準(zhǔn)確性，又要保證模型的高效性和適度的參數(shù)規(guī)模。

4）泛化能力：目前，大多數(shù)模型在訓(xùn)練的水稻葉片病害數(shù)據(jù)集上表現(xiàn)較好，但在其他農(nóng)作物葉片病害數(shù)據(jù)集上表現(xiàn)較差。因此，應(yīng)探討如何提高模型的泛化能力，使其能夠適應(yīng)多種農(nóng)作物病害檢測，從而拓展其應(yīng)用范圍。

綜上，應(yīng)持續(xù)努力解決當(dāng)前問題，致力于建立實(shí)時、高效、全面的水稻葉片病害檢測和識別模型。希望能夠激發(fā)更多的研究，推動水稻葉片病害檢測與識別技術(shù)的不斷進(jìn)步，為農(nóng)業(yè)生產(chǎn)提供更有效、可靠的支持。

參考文獻(xiàn)

[1］葉恭銀，方琦，徐紅星，等．我國水稻螟蟲發(fā)生及治理研 究進(jìn)展[J].植物保護(hù)，2023，49（5）：167—180. Ye Gongyin，F(xiàn)ang Qi，Xu Hongxing，et al. Research advances on the occurrence，damage and management of rice stem borersin China [J]. PlantProtection，2023， 49（5）：167—180.

［2］嚴(yán)如玉，甘國渝，趙希梅，等．我國水稻優(yōu)勢產(chǎn)區(qū)生產(chǎn)格 局及施肥現(xiàn)狀研究[J]．中國稻米，2023，29（3）：1-8. YanRuyu，GanGuoyu，Zhao Ximei，etal.Study on the production pattern and fertilization status of rice dominant production areas in China[J].China Rice，2023，29（3）： 1-8.

[3］魏賽金.有益微生物在水稻病害防治的研究進(jìn)展與應(yīng)用 現(xiàn)狀[J].生物災(zāi)害科學(xué)，2020，43（1）：1—7.

[4]Hinton G E，Osindero S，Teh Y W．A fast learning algorithm for deep belief nets [J]. Neural Computation， 2006，18（7）：1527—1554.

［5］王東方，汪軍．基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的農(nóng)作物病害 分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（4）：199－207. Wang Dongfang，Wang Jun. Crop disease classification withtransferlearningandresidualnetworks[J]. Transactions of the Chinese Society of Agricultural Engineering，2021，37（4）：199－207.

[6]KaurA，Guleria K，Trivedi NK.Rice leaf disease detection：Areview[C].2O21 6th International Conference on Signal Processing，Computing and Control （ISPCC）. IEEE，2021：418-422.

[7]Shrestha NL，Pandey P，Tiwari A，et al. Rice Disease Dataset[EB/OL].https：//kaggle.com/datasets/ nischallal/rice-disease-dataset，2021.

[8]PrajapatiHB，Shah JP，Dabhi VK.Detection and classification of rice plant diseases[J]. Intelligent Decision Technologies，2017，11（3）：357-373.

[9]Do H M. Rice diseases image dataset [EB/OL]. https：//www. kaggle. com/minhhuy28l0/ rice-diseasesimage-dataset/version/3， 2020-9-4 ：

[10] Chen L，Yuan Y.Agricultural disease image dataset for disease identification based on machine learning [C]. Big Scientific Data Management： First International Conference， 2019：263—274.

［11］陳雷，袁媛．大田作物病害識別研究圖像數(shù)據(jù)集[J]．中 國科學(xué)數(shù)據(jù)（中英文網(wǎng)絡(luò)版），2019，4（4）：85—91.

[12]PandarasamyA.Paddydoctor：Paddydisease classification [EB/OL]. https： //kaggle. com/competitions/ paddy-disease-classification，2022.

[13]Ghyar B S，Birajdar G K.Computer vision based approach to detect rice leaf diseases using texture and color descriptors[C].2Ol7InternationalConferenceon Inventive Computing and Informatics （ICICI）. IEEE， 2017：1074—1078.

[14]Htun K W，Htwe C S. Development of paddy diseased leafclasificationsystemusingmodifiedcolor conversion [J]. International Journal of Software 8 （204號 Hardware Research in Enginering，2018， 6（8）： 24－32.

[15]Bashir K，Rehman M，Bari M. Detectionand clasification of rice diseases：An automated approach using textural features [J]. Mehran University Research Journal of Engineeringamp;.Technology，20l9，38（1）： 239-250.

[16]Sharma V，Mir A A，Sarwr A. Detection of rice disease using bayes' classifier and minimum distance classifier [J]. Journal of Multimedia Information System，2O2O，7（1）： 17-24 ：

[17] Saha S，Ahsan S M M. Rice disease detection using intensity momentsandrandom forest [C].2021 International Conference on Information and Communication Technology for Sustainable Development （ICICT4SD）. IEEE，2021：166—170.

[18]Thepade S D，Abin D，Chauhan KH. Improved rice leaf disease detection using fusion of Otsu thresholding and thepade SBTCfeatures[C].2O22International Conferenceon Recent Trendsin Microelectronics， Automation，Computing and Communications Systems （ICMACC）. IEEE，2022： 1-6.

[19]Ning H，Liu S，Zhu Q，et al． Convolutional neural network in rice disease recognition：Accuracy，speed and lightweight［J].Frontiers in Plant Science，2O23，14： 1269371.

[20］肖小梅．基于深度學(xué)習(xí)的水稻害蟲圖像識別研究[D]．南 昌：江西農(nóng)業(yè)大學(xué)，2022.

[21]Tian Y. Artificial intelligence image recognition method based on convolutional neural network algorithm「J]. IEEE Access，2020，8：125731—125744.

[22]He K，Zhang X，Ren S，et al. Deep residual learning for image recognition [C].Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition， 2016： 770—778.

[23]Huang G，Liu Z，Van Der Maaten L，et al.Densely connected convolutional networks [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2017： 4700—4708.

[24]SzegedyC，Liu W，Jia Y，etal.Going deeper with convolutions [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015： 1-9 ：

[25]Tan M，LeQ.EfficientNet：Rethinking model scaling for convolutional neural networks [C]. International Conference onMachineLearning. PMLR，2019：6105—6114.

[26]Kim EK，Kim JY，Kim B，et al.Data augmentation methodbasedonfeatureextractionfor improving classification performance of CNN[C]. 2O22 13th Asian Control Conference（ASCC）. IEEE，2022：1126—1130.

[27]高雨亮，徐向英，章永龍，等．融合分組注意力機(jī)制的水 稻病蟲害圖像識別算法［J].揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué) 版），2021，24（6）：53—57. Gao Yuliang，Xu Xiangying，Zhang Yonglong，et al. Image recognition algorithm of rice diseases and insect pests based on shuffle attention mechanism [J]. Journal of Yangzhou University（Natural Science Edition），2021， 24（6）：53-57.

[28]潘晨露，張正華，桂文豪，等．融合ECA機(jī)制與 DenseNet201的水稻病蟲害識別方法[J].智慧農(nóng)業(yè)（中英 文），2023，5（2）：45-55. Pan Chenlu， Zhang Zhenghua，Gui Wenhao，et al. Rice disease and pest recognition method integrating ECA mechanism and DenseNet2O1 [J]. Smart Agriculture， 2023，5（2）：45-55.

[29]衛(wèi)雅娜，王志彬，喬曉軍，等．基于注意力機(jī)制與 EfficientNet的輕量化水稻病害識別方法［J]．中國農(nóng)機(jī)化 學(xué)報(bào)，2022，43（11）：172—181. Wei Yana，Wang Zhibin，Qiao Xiaojun，etal. Lightweight rice disease identification method based on attention mechanism and EficientNet [J]．Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 172—181.

[30]Upadhyay S K. Deep transfer learning-based rice leaves diseasediagnosisandclassification model using InceptionV3[C]．2022 International Conference on Computational Intellgence and Sustainable Engineering Solutions（CISES）.IEEE，2022：493-499.

[31]周維，牛永真，王亞煒，等．基于改進(jìn)的YOLOv4— GhostNet水稻病蟲害識別方法［J].江蘇農(nóng)業(yè)學(xué)報(bào)， 2022，38（3）：685-695. ZhouWei，Niu Yongzhen，WangYawei，etal.Ricepests and diseases identification method based on improved YOLOv4—GhostNet[J]. Jiangsu Journal of Agricultural Sciences，2022，38（3）：685-695.

[32]嚴(yán)陳慧子，田芳明，譚峰，等．基于改進(jìn)YOLOv4的水稻 病害快速檢測方法[J].江蘇農(nóng)業(yè)科學(xué)，2023，51（6）： 187—194.

[33]KumarVS，JaganathanM，ViswanathanA，et al.Rice leaf disease detection based on bidirectional feature attention pyramid network with YOLOv5 model[J]. Environmental ResearchCommunications，2023，5（6）：065014.

[34]Jia L，Wang T，Chen Y，et al.MobileNet—CA— YOLO：AnimprovedYOLOv7basedonthe MobileNetV3 and attention mechanism for rice pests and diseasesdetection[J].Agriculture，2023，13（7）：1285.

[35]袁培森，歐陽柳江，翟肇裕，等.基于MobileNetV3Small— ECA的水稻病害輕量級識別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2024，55（1）：253—262. YuanPeisen， Ouyang Liujiang，Zhai Zhaoyu，et al. Lightweight identification of rice diseases basedon improved ECA andMobileNetV3Small[J].Transactions"of the Chinese Society for Agricultural Machinery，2024， 55（1）：253-262.

[36］祁宣豪，智敏．圖像處理中注意力機(jī)制綜述[J]．計(jì)算機(jī) 科學(xué)與探索，2024，18（2）：345—362.

[37］路陽，劉鵬飛，許思源，等．改進(jìn)注意力機(jī)制嵌入PR—Net 模型的水稻病害識別仿真[J]．系統(tǒng)仿真學(xué)報(bào)，2024， 36（6）： 1322—1333.

[38］張英俊，甘望陽，謝斌紅，等．融合多尺度特征與注意力 的小樣本目標(biāo)檢測［J]．小型微型計(jì)算機(jī)系統(tǒng)，2025， 46（3）： 689-696. Zhang Yingjun，Gan Wangyang，Xie Binhong，et al. Few-shot object detection integrating multi-scale feature and attention [J]. Journal of Chinese Computer Systems， 2025，46（3）：689-696.

[39］羅小娟，胡鵬昊．基于深度學(xué)習(xí)的農(nóng)場蟲情檢測算法研 究及實(shí)現(xiàn)[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2024， 50（5）：732-739. Luo Xiaojuan，Hu Penghao. Research and implementation offarm insect detection algorithm based on deep learning［J].Journal of East China University of Science and Technology，2024，50（5）：732—739.

[40] Hughes D，Salathé M. An open access repository of images on plant health to enable the development of mobile diseasediagnostics[J].arXiv preprintarXiv： 1511.08060，2015.