基于多尺度特征融合网络的苹果病害叶片检测.pdf

1 8 4 中国农机化学报2 0 2 3年D O I:1 0.1 3 7 3 3/j.j c a m.i s s n.2 0 9 55 5 5 3.2 0 2 3.0 8.0 2 5刘敏,周丽.基于多尺度特征融合网络的苹果病害叶片检测J.中国农机化学报,2 0 2 3,4 4(8):1 8 4-1 9 0L i u M i n,Z h o u L i.A p p l e d i s e a s e l e a f d e t e c t i o n b a s e d o n m u l t i-s c a l e f e a t u r e f u s i o n n e t w o r k J.J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n,2 0 2 3,4 4(8):1 8 4-1 9 0基于多尺度特征融合网络的苹果病害叶片检测*刘敏1,周丽2(1.湖南科技职业学院软件学院,长沙市,4 1 0 0 0 4;2.湖南农业大学经济学院,长沙市,4 1 0 1 2 8)摘要:准确地检测出苹果叶片的病害对提高苹果产量和质量具有重要意义。针对现有苹果叶片病害检测模型信息利用不充分,导致检测性能不佳的问题,提出一种基于多尺度特征融合网络的苹果病害叶片检测方法。首先,利用深度可分离卷积改进传统V g g-1 6网络,并作为苹果叶片病害图片的全局特征提取器;其次,利用S w i n T r a n s f o r m e r网络作为局部特征提取器;然后,提出一种多尺度特征融合网络将局部和全局特征进行融合,构造多尺度特征;最后,将融合的多尺度特征作为全连接网络的输入,实现苹果病害叶片的检测。实验结果表明,所提出方法可以实现9 3.9 8%的准确率、9 4.1 1%的精准率、9 3.9 3%的召回率和9 4.6 2%的F1值。相比当前主流的苹果病害叶片检测模型,在检测精度和模型参数计算量等方面,均具有很强的竞争力。关键词:苹果病害;叶片检测;全局特征;局部特征;多尺度特征融合网络;病害识别中图分类号:S 6 6 1.1:T P 3 9 1 文献标识码:A 文章编号:2 0 9 5 5 5 5 3(2 0 2 3)0 80 1 8 4 0 7收稿日期:2 0 2 2年1 1月3日 修回日期:2 0 2 2年1 2月2 1日*基金项目:湖南省自然科学基金(2 0 2 1 J J 6 0 0 4 9)第一作者:刘敏,女,1 9 8 2年生,湖南衡阳人,硕士,副教授;研究方向为知识图谱、深度学习、智能农业。E-m a i l:l i u m 0 6 1 2s i n a.c o mA p p l e d i s e a s e l e a f d e t e c t i o n b a s e d o n m u l t i-s c a l e f e a t u r e f u s i o n n e t w o r kL i u M i n1,Z h o u L i2(1.S c h o o l o f S o f t w a r e,H u n a n V o c a t i o n a l C o l l e g e o f S c i e n c e a n d T e c h n o l o g y,C h a n g s h a,4 1 0 0 0 4,C h i n a;2.E c o n o m i c C o l l e g e,H u n a n A g r i c u l t u r a l U n i v e r s i t y,C h a n g s h a,4 1 0 1 2 8,C h i n a)A b s t r a c t:A c c u r a t e d e t e c t i o n o f a p p l e l e a f d i s e a s e s i s o f g r e a t s i g n i f i c a n c e f o r i m p r o v i n g a p p l e p r o d u c t i o n a n d q u a l i t y.A i m i n g a t t h e p r o b l e m t h a t e x i s t i n g a p p l e l e a f d i s e a s e d e t e c t i o n m o d e l s c a n n o t m a k e f u l l u s e o f i n f o r m a t i o n f o r g i v e n i m a g e s,r e s u l t i n g i n p o o r d e t e c t i o n p e r f o r m a n c e,a n a p p l e d i s e a s e l e a f d e t e c t i o n b a s e d o n m u l t i-s c a l e f e a t u r e f u s i o n n e t w o r k w a s p r o p o s e d.V g g-1 6 n e t w o r k w a s f i r s t l y i m p r o v e d u s i n g d e p t h-s e p a r a b l e c o n v o l u t i o n,a n d i m p r o v e d n e t w o r k w a s u s e d a s a g l o b a l f e a t u r e e x t r a c t o r f o r a p p l e l e a f d i s e a s e p i c t u r e s.S e c o n d l y,S w i n T r a n s f o r m e r n e t w o r k w a s u s e d a s a l o c a l f e a t u r e e x t r a c t o r.N e x t,t h e m u l t i-s c a l e f e a t u r e f u s i o n n e t w o r k w a s p r o p o s e d t o f u s e l o c a l a n d g l o b a l f e a t u r e s t o c o n s t r u c t m u l t i-s c a l e f e a t u r e s.F i n a l l y,t h e f u s i o n m u l t i-s c a l e f e a t u r e s w e r e u s e d a s i n p u t t o a f u l l y c o n n e c t e d n e t w o r k f o r t h e d e t e c t i o n o f a p p l e d i s e a s e l e a v e s.T h e e x p e r i m e n t a l r e s u l t s s h o w e d t h a t t h e p r o p o s e d m o d e l c o u l d a c h i e v e 9 3.9 8%a c c u r a c y,9 4.1 1%p r e c i s i o n,9 3.9 3%r e c a l l a n d 9 4.6 2%F1 v a l u e.C o m p a r e d w i t h t h e c u r r e n t m a i n s t r e a m a p p l e d i s e a s e l e a f d e t e c t i o n m o d e l s,i t w a s h i g h l y c o m p e t i t i v e i n t e r m s o f d e t e c t i o n a c c u r a c y a n d t h e a m o u n t o f m o d e l p a r a m e t e r s t o b e c a l c u l a t e d.K e y w o r d s:a p p l e d i s e a s e;l e a f d e t e c t i o n;g l o b a l f e a t u r e;l o c a l f e a t u r e;m u l t i-s c a l e f e a t u r e f u s i o n n e t w o r k;d i s e a s e i d e n t i f i c a t i o n0 引言苹果具有较高的经济价值和营养价值,种植面积和产量逐年增加。据估计,2 0 2 1年中国苹果总产量达到4 5 9 7.3 4万吨,同比2 0 2 0年增长了4.3 3%。在苹果生长过程中,叶片的病害是导致苹果产量和质量下降的主要因素。常见的苹果叶片病害主要有花叶病、落叶病、霉心病、灰斑病等12。因此,及时准确地检测出这些苹第4 4卷 第8期2 0 2 3年8月中国农机化学报J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o nV o l.4 4 N o.8A u g.2 0 2 3第8期刘敏 等:基于多尺度特征融合网络的苹果病害叶片检测1 8 5 果病害,对于提高苹果产量和质量具有重要的意义。现有的苹果病害诊断方法主要依靠人工经验进行检测34,通过判断叶片的各种颜色变化来实现病害的分类,此类方法虽然可以借助丰富的专家经验进行病虫害的检测,然而主观性较强,效率低,成本高,极易错过最佳苹果病害的控制期。近年来,随着人工智能技术的快速发展,计算机技术在农业图像处理领域引起了众多学者的广泛关注56。研究者通过使用支持向量机、K-m e a n s聚类、随机森林、集成学习、滤波分割等方法提高了对农作物病害检测的效率和准确性,降低了模型对专家知识的依赖7。然而,传统图像处理方法极易受到环境因素的影响,使得提取的特征鲁棒性不强,在实际应用中检测效果不佳。随着深度学习在计算机视觉领域的成功应用,特别是以卷积神经网络、递归神经网络等深度网络的不断完 善89,图 像 检 测 的 实 用 性 和 鲁 棒 性 大 幅 提高。将深度学习引入农业领域,开展农作物病害的自动检测,成为研究者关注的热点课题。如于雪莹等1 0针对苹果病害数据样本不足的问题,提出一种基于生成对抗网络的苹果病害叶片检测模型,通过利用注意力机制改进深度残差网络,在提高苹果病害图像特征空间表达能力的同时,降低了模型的参数量。Y a n等1 1提出一种基于卷积神经网络的苹果叶片霉心病、灰斑病和雪松苹果锈病等类型的检测模型,通过采用全局平均池化层代替V g g-1 6网络的全连接层,减少了模型参数,并结合迁移学习缓解了现有模型检测精度不高的问题。类似地,Y u等1 2提出一种基于改进残差网络的苹果叶片病害检测方法。通过对卷积核进行分解,减少残差模块的数量,从而达到降低检测时间开销的问题。B i等1 3针对深度网络模型参数量大,导致检测时间开销大的问题,提出一种基于轻量级的M o b i l e-N e t叶片病害检测模型,并在移动端进行了部署与测试。潘仁勇等1 4针对基于卷积神经网络的苹果叶片病害检测模型收敛速度慢的问题,提出一种新的变形卷积网络,用于苹果叶片的病害检测任务中,通过在P l a n t V i l l a g e数据集上验证了设计的合理性。综上,虽然上述基于深度学习模型的苹果病害叶片检测模型缓解了传统基于机器学习或手工检测模型的性能过度依赖专家知识的问题,但现有主流模型主要利用单一的卷积神经网络提取病害叶片图像在空间维度上的全局特征,忽略了边缘、纹理等局部细节特征,导致模型的检测精度不高。为此,本文提出了一种基于多尺度特征融合注意力网络的苹果病害叶片检测模型,旨在提高模型对病虫害叶片的检测性能。此外,通过改进传统卷积神经网络的结构,缓解现有深度模型参数量大,导致模型复杂度高的问题。1 数据集数据集来自“2 0 0 8年人工智能挑战者全球挑战赛”官方开源的苹果病害叶片检测数据1 1。本文仅选择数据集中的苹果病害叶片检测样本,苹果病害叶片的类型与对应的样本总数如表1所示。所有图片的大小均被调整为32 2 42 2 4。经过去重操作后,数据集总共包含2 46 0 2张图片,并利用旋转、滤镜、裁剪等数据增强方法扩展原始数据样本为1 10 1 0张,并按照82的比例划分为训练集和测试集。图1给出了部分苹果病害叶片的案例。表1 病害类型与对应的样本数量T a b.1 C o r r e s p o n d i n g b e t w e e n n u m b e r a n d d i s e a s e c l a s s e sC l a s s训练样本测试样本健康叶片2 2 5 65 6 4花叶病叶片1 4 0 83 5 2锈病叶片1 3 0 43 2 6褐斑病叶片1 5 6 03 9 0落叶病叶片1 0 8 82 7 2灰斑病叶片1 1 9 22 9 8(a)健康叶片(b)落叶病(c)褐斑病(d)花叶病(e)锈病(f)灰斑病图1 苹果病害叶片F i g.1 I m a g e s o f t h e a p p l e d i s e a s e s2 方法论2.1 V g g-1 6网络V g g-1 6卷积神经网络在图像分类、检测、目标定位等各个领域得到了广泛的应用1 51 6。然而,标准的V g g-1 6网络涉及的模型参数量大,在实际应用中收敛速度慢,训练时间长,不符合实际生活中对于实时性的高要求。受深度可分离卷积网络在改进深度卷积网络中的成功应用1 71 8,本文利用图2所示的深度可分离卷积 代 替 传 统 标 准 卷 积 块,通 过 将 标 准 的 深 度V g g-1 6网络中的标准卷积块分解为多个深度卷积和1 8 6 中国农机化学报2 0 2 3年逐点卷积,通过减少参数量来降低模型的时间开销;其次,并利用改进后的V g g-1 6作为苹果病害叶片图片的全局特征提取器。改进后的V g g-1 6网络结构如图2所示。图2 改进后的V g g-1 6网络结构F i g.2 I m p r o v e d V g g-1 6 n e t w o r k s t r u c t u r e如图2所示,首先利用深度卷积网络将苹果的病害叶片图片映射到深度特征空间S中,生成多张特征图FD C=F1,F2,Fm;然后,利用l个大小为的卷积核将FD C沿通道方向进行组合;最后,将组合后的特征图作为逐点卷积网络的输入,即将FD C利用k个大小为11的卷积核进行卷积运算。V g g-1 6网络进行全局特征提取的计算如式(1)所示。Fg=VSf(Ii)h(FD C)(1)式中:Fg 苹果病害叶片图片映射到深度特征空间的全局特征图;f(Ii)深度可分离卷积操作;h(FD C)逐点卷积操作。此外,相比标准V g g-1 6卷积网络的参数计算量,改进后的V g g-1 6模型参数的计算如式(2)和式(3)所示。P1=l+lk11(2)d s c-V g g=Pd s cPV g g-1 6=l+lk11lk=12+1l(3)式中:Pd s c 深度可分离卷积的参数;PV g g-1 6 V g g的参数。当深度卷积网络中卷积核的个数l较大时,改进后的V g g-1 6网络参数相当于标准V g g-1 6模型参数计算量的1/2。2.2 S w i n T r a n s f o r m e r网络虽然现有基于深度学习的苹果病害叶片检测模型从全局特征的角度实现了较好的检测性能,然而,早期的病害区域小、斑点模糊,纹理不清晰,仅利用全局特征难以捕获边缘、纹理等细节特征。为此,本文在全局编码的基础上,利用S w i n T r a n s f o r m e r网络提取苹果病害叶片的局部特征。S w i n T r a n s f o r m e r编码1 9结构如图3所示。图3 S w i n T r a n s f o r m e r编码网络结构F i g.3 E n c o d i n g s t r u c t u r e o f S w i n T r a n s f o r m e rS w i n T r a n s f o r m e r局部特征提取模块的核心包括窗口多头自注意力(W-M S A)和偏移窗口多头自注意力(S W-M S A)2 0。此 处,引 入 偏 移 窗 口 多 头 自 注 意 力(S W-M S A),旨在缓解传统基于注意力机制的全局编码网络极易导致目标细节信息丢失的问题,同时S w i n T r a n s f o r m e r通过不同倍率的下采样获得多层次特征,有效挖掘了边缘、纹理等细粒度的信息。S w i n T r a n s f o r m e r进行局部特征提取的计算如式(4)式(9)所示。Fl=W-MS A(LN(Fl-1)+Fl-1(4)Fl=ML P(LN(Fl)(5)FW=Fl+Fl(6)Fl+1=SW-MS A(LN(FW)+FW(7)Fl+1=ML P(LN(Fl+1)(8)Fs w i n=Fl+1+Fl+1(9)式中:LN()线性映射函数;ML P()多层感知机;Fl-1 多头自注意力窗口的输入特征;Fl 残差连接后的特征表示;FW 偏移窗口的输入特征;Fl+1 偏移窗口残差连接后的特征表示;l 用于标识不同窗口之间特征前后处理的顺序。3 多尺度特征融合网络图4给出了基于多尺度特征融合网络的苹果病害第8期刘敏 等:基于多尺度特征融合网络的苹果病害叶片检测1 8 7 叶片检测模型的检测流程。具体实现细节如下。1)全局特征提取:利用深度可分离卷积改进的轻量级V g g-1 6作为全局特征提取器,利用式(1)获得苹果病害叶片的全局特征Fg l o b a l。2)局部特征提取:利用S w i n T r a n s f o r m e r提取苹果 病 害 叶 片 的 局 部 特 征。局 部 特 征Fl o c a l计 算 如式(4)式(9)所示。3)多尺度特征融合:当前主流的苹果病害叶片检测模型主要借助卷积神经网络提取叶片的全局特征,然而,早期的苹果病害叶片区域不明显,仅利用全局特征极易导致信息的丢失,造成病害最佳治疗期的延误。为此,本文利用一种多尺度特征融合网络对局部特征和全局特征进行融合,融合流程如图5所示。图4 苹果病害叶片检测模型F i g.4 A p p l e d i s e a s e l e a f d e t e c t i o n m o d e l图5 多尺度特征融合网络F i g.5 M u l t i-s c a l e f e a t u r e f u s i o n n e t w o r k首先,将全局特征和局部特征利用全连接层F C进行维度的转换并将其拼接;然后,利用s i g m o i d函数计算拼接特征的权重分布。计算如式(1 0)所示。w=(Fl o c a l)(Fg l o b a l)(1 0)式中:()F C运算;()s i g m o i d函数。最后,利用式(1 1)对全局特征和局部特征进行对应位置的权重注意力分布计算,得到最终的融合特征F=w(Fl o c a l+Fg l o b a l)(1 1)4)全局平均池化和归一化:为了进一步减少模型参数,加快收敛速度,此处将融合后的特征F依次作为全局平均池化层(g l o b a l a v e r a g e p o o l i n g,GA P)和批归一化层(B a t c h N o r m a l i z a t i o n,B N)的输入。5)全连接层:为了使模型具有分类能力,将归一化后 的 融 合 特 征 作 为 全 连 接 层 的 输 入,并 利 用s o f t m a x函数实现苹果病害叶片的分类;最后,利用交叉熵损失函数计算真实标签与预测结果之间的损失,根据损失值端到端优化模型参数。4 试验4.1 试验环境采用W i n d o w s 1 0操作系统,编程语言为p y t h o n 3.7.3;采用P y t o r c h深度学习框架,T e s l a T 4 G P U,C UD A 1 0.1。由于超参数的设置对于模型的性能影响较大,本文通过对比测试,设定初始学习率为0.0 0 8,采用随机梯度下降策略S G D来优化模型,批量大小为2 5,训练迭代次数为2 0。各项超参数的对比试验如图6所示。(a)学习率与准确率的对应关系(b)迭代次数与准确率的对应关系(c)批量大小与准确率的对应关系图6 超参数的设置对检测性能的影响F i g.6 E f f e c t o f h y p e r p a r a m e t e r s e t t i n g s o n d e t e c t i o n p e r f o r m a n c e1 8 8 中国农机化学报2 0 2 3年4.2 评价指标为了验证本文模型的性能,采用精准率、准确率、召回率和F1-s c o r e作为评价指标。计算如式(1 2)所示。A c c u r a c y=T P+TNT P+TN+F P+FNP r e c i s i o n=T PT P+F PR e c a l l=T PT P+FNF1-s c o r e=2P r e c i s i o nR e c a l lP r e c i s i o n+R e c a l l(1 2)式中:T P 模型预测正确的样本数;TN 模型预测错误的样本数;F P 误报样本个数;FN 漏报样本个数。4.3 试验结果与分析为验证本文基于多尺度特征融合网络的苹果病害叶片检测模型的有效性,在相同的试验环境下与当前主 流 的 目 标 检 测 模 型F a s t e r R-C NN,Y o l o v 5,R e s n e t-5 0、V g g-1 6和G o o g l e N e t进行对比试验,详细结果如表2所示,部分检测可视化结果如图7所示。不同方法的混淆矩阵如图8所示。表2 不同模型的性能对比T a b.2 P e r f o r m a n c e c o m p a r i s o n o f d i f f e r e n t m o d e l s%方法准确率精准率召回率F1F a s t e r R-C NN9 1.0 69 0.3 19 1.0 99 2.3 5Y o l o v 59 1.3 99 2.0 39 1.8 69 2.8 1R e s n e t-5 09 2.1 59 2.1 09 1.9 29 3.1 9V g g-1 69 1.1 69 1.3 89 2.0 19 2.7 6G o o g l e N e t9 2.8 39 3.0 29 3.1 79 3.0 4本文模型9 3.9 89 4.1 19 3.9 39 4.6 2(a)褐斑病(b)灰斑病(c)落叶病(d)锈病(e)花叶病图7 不同病害叶片的检测可视化F i g.7 V i s u a l i s a t i o n o f t h e d e t e c t i o n o f d i f f e r e n t d i s e a s e l e a v e s(a)F a s t e r R-C NN(b)Y o l o v 5(c)R e s n e t-5 0 (d)V g g-1 6(e)G o o g l e N e t(f)本文方法图8 不同检测模型的混淆矩阵F i g.8 C o n f u s i o n m a t r i x f o r d i f f e r e n t d e t e c t i o n m o d e l s第8期刘敏 等:基于多尺度特征融合网络的苹果病害叶片检测1 8 9 由表2可知,本文模型在四个评价指标下优势明显。具体地,相比所有对比模型中表现最好的两个模型,在准确率评价指标下,相比G o o g l e N e t和R e s n e t-5 0模型,分别 提 升 了1.2 4%(9 2.8 3%9 3.9 8%)和1.9 9%(9 2.1 5%9 3.9 8%);在精准率下,相比G o o g l e N e t和R e s n e t-5 0模 型,分 别 提 升 了1.1 7%(9 3.0 2%9 4.1 1%)和2.1 8%(9 2.1 0%9 4.1 1%);在 召 回 率下,相 比G o o g l e N e t和V g g-1 6模 型,分 别 提 升 了0.8 2%(9 3.1 7%9 3.9 3%)和2.0 9%(9 2.0 1%9 3.9 3%);在F1指标下,相比V g g-1 6和R e s n e t-5 0模型,分别提升了1.7 0%(9 3.0 4%9 4.6 2%)和1.5 3%(9 3.1 9%9 4.6 2%)。上述结果进一步验证了本文模型的有效性,究其原因是相比传统采用单一局部或全局特征的检测模型,本文模型利用局部和全局多尺度融合特征,充分利用了苹果病害叶片图片的信息。此外,为了进一步验证本文模型的鲁棒性,分别利用F a s t e r R-C NN、Y o l o v 5、R e s n e t-5 0、V g g-1 6、G o o g l e N e t对褐斑病(0 1)、灰斑病(0 2)、落叶病(0 3)、锈病(0 4)和花叶病(0 5)五种常见的苹果病害叶片进行检测。4.4 消融试验为了分析各种改进模块对于检测性能的整体影响,进行消融试验,如表3所示。表3中,全局表示仅使用V g g-1 6作为主干网络;局部表示仅利用S w i n T r a n s f o r m e r作为主干网络;改进全局表示利用深度可分离卷积改进标准V g g-1 6作为主干网络。可以看出,虽然利 用改进后的V g g-1 6结 合 局 部S w i n T r a n s f o r m e r作为主干网络,可以提取更具有鲁棒性的特征,然而,在模型参数方面,开销较大。综合模型参数量和苹果病害叶片的检测性能,选择改进后的全局V g g-1 6结合局部S w i n T r a n s f o r m e r作为特征主干网络。表3 不同变体模型的性能对比T a b.3 P e r f o r m a n c e c o m p a r i s o n o f d i f f e r e n t v a r i a n t m o d e l s全局改进全局局部准确率/%精准率/%召回率/%F1/%参数/MB9 1.1 69 1.3 89 2.0 1 9 2.7 65 1 29 1.1 39 1.0 59 1.9 2 9 2.4 58 69 2.5 59 1.8 69 1.3 0 9 2.1 11 1 79 4.0 69 4.3 29 3.9 1 9 4.7 26 3 89 3.9 89 4.1 19 3.9 3 9 4.6 22 0 65 结论针对现有苹果病害叶片检测模型信息利用不充分的问题,提出了一种基于多尺度特征融合网络的苹果病害叶片检测模型。通过提取苹果病害叶片图片的全局和局部特征,强化了深度空间特征的表达能力;此外,利用深度可分离卷积替换标准卷积块,通过减少模型参数来降低系统时间开销,有效缓解了深度网络因参数量多导致时间开销大的问题。1)通过在开源的苹果病害叶片检测数据集上进行测试,本文模型可以实现9 3.9 8%的准确率、9 4.1 1%的精准率、9 3.9 3%的召回率和9 4.6 2%的F1值。2)仅利用单一的局部或全局特征,极易忽略目标主体的边缘、纹理等细节特征或颜色、形状等整体特征。本文利用局部和全局的多尺度融合特征,有效缓解了传统模型信息利用不充分的问题。3)传统基于深度网络的目标检测模型参数量大,导致时间开销较大,不符合实际应用中对于实时性的高要求。参 考 文 献1 S o n g C,W a n g D,B a i H,e t a l.A p p l e d i s e a s e r e c o g n i t i o n b a s e d o n s m a l l-s c a l e d a t a s e t s J.A p p l i e d E n g i n e e r i n g i n A g r i c u l t u r e,2 0 2 1,3 7(3):4 8 1-4 9 0.2 W a n i J A,S h a r m a S,M u z a m i l M,e t a l.M a c h i n e l e a r n i n g a n d d e e p l e a r n i n g b a s e d c o m p u t a t i o n a l t e c h n i q u e s i n a u t o m a t i c a g r i c u l t u r a l d i s e a s e s d e t e c t i o n:M e t h o d o l o g i e s,a p p l i c a t i o n s,a n d c h a l l e n g e s J.A r c h i v e s o f C o m p u t a t i o n a l M e t h o d s i n E n g i n e e r i n g,2 0 2 2,2 9(1):6 4 1-6 7 7.3 C h u a n l e i Z,S h a n w e n Z,J u c h e n g Y,e t a l.A p p l e l e a f d i s e a s e i d e n t i f i c a t i o n u s i n g g e n e t i c a l g o r i t h m a n d c o r r e l a t i o n b a s e d f e a t u r e s e l e c t i o n m e t h o d J.I n t e r n a t i o n a l J o u r n a l o f A g r i c u l t u r a l a n d B i o l o g i c a l E n g i n e e r i n g,2 0 1 7,1 0(2):7 4-8 3.4 H a s a n S,J a h a n S,I s l a m M I.D i s e a s e d e t e c t i o n o f a p p l e l e a f w i t h c o m b i n a t i o n o f c o l o r s e g m e n t a t i o n a n d m o d i f i e d DWT J.J o u r n a l o f K i n g S a u d U n i v e r s i t y-C o m p u t e r a n d I n f o r m a t i o n S c i e n c e s,2 0 2 2,3 4(9):7 2 1 2-7 2 2 4.5 C h a o X,H u X,F e n g J,e t a l.C o n s t r u c t i o n o f a p p l e l e a f d i s e a s e s i d e n t i f i c a t i o n n e t w o r k s b a s e d o n x c e p t i o n f u s e d b y S E m o d u l e J.A p p l i e d S c i e n c e s,2 0 2 1,1 1(1 0):4 6 1 4.6 P r a d h a n P,K u m a r B,M o h a n S.C o m p a r i s o n o f v a r i o u s d e e p c o n v o l u t i o n a l n e u r a l n e t w o r k m o d e l s t o d i s c r i m i n a t e a p p l e l e a f d i s e a s e s u s i n g t r a n s f e r l e a r n i n g J.J o u r n a l o f P l a n t D i s e a s e s a n d P r o t e c t i o n,2 0 2 2,1 2 9(6):1 4 6 1-1 4 7 3.7 刘斌,徐皓玮,李承泽,等.基于快照集成卷积神经网络的苹果叶部病害程度识别J.农业机械学报,2 0 2 2,5 3(6):2 8 6-2 9 4.L i u B i n,X u H a o w e i,L i C h e n z e,e t a l.A p p l e l e a f d i s e a s e i d e n t i f i c a t i o n m e t h o d b a s e d o n s n a p s h o t e n s e m b l e C NN J.T r a n s a c t i o n s o f t h e C h i n e s e S o c i e t y f o r 1 9 0 中国农机化学报2 0 2 3年A g r i c u l t u r a l M a c h i n e r y,2 0 2 2,5 3(6):2 8 6-2 9 4.8 Y u H J,S o n C H.L e a f s p o t a t t e n t i o n n e t w o r k f o r a p p l e l e a f d i s e a s e i d e n t i f i c a t i o n C.P r o c e e d i n g s o f t h e I E E E/C V F C o n f e r e n c e o n C o m p u t e r V i s i o n a n d P a t t e r n R e c o g n i t i o n W o r k s h o p s,2 0 2 0:5 2-5 3.9 R e h m a n Z U,K h a n M A,A h m e d F,e t a l.R e c o g n i z i n g a p p l e l e a f d i s e a s e s u s i n g a n o v e l p a r a l l e l r e a l-t i m e p r o c e s s i n g f r a m e w o r k b a s e d o n MA S K R C NN a n d t r a n s f e r l e a r n i n g:A n a p p l i c a t i o n f o r s m a r t a g r i c u l t u r e J.I E T I m a g e P r o c e s s i n g,2 0