马丽 周巧黎 赵丽亚 胡远辉
摘要:对番茄病害进行及早的诊断与治疗有助于提升番茄的产量,将人工智能与农业生产相结合可以对番茄病害进行快速地无损伤检测。基于此提出一种基于深度学习的番茄叶片病害分类识别研究方法,选取番茄叶片的5类常见病害进行试验,以MobileNetV3为基础模型进行改进,分析不同学习方式、激活函数及优化算法对该模型准确性的影响。并将该模型与MobileNetV3、VGG16、ResNet50和InceptionV3作对比,同时采用十折交叉验证对模型的鲁棒性进行评估。研究表明,该模型分类性能良好,对常见的番茄叶片病害图像的平均识别准确率可达97.29%,无论模型大小、运行时间还是分类精度上都优于其他几个模型,为番茄叶片常见病害识别提供一定的可参考性。
关键词:番茄病害;多层感知机;空洞卷积;损失函数;识别分类
中图分类号:S436.412: TP391.4
文献标识码:A
文章编号:20955553 (2023) 070187
08
Classification and recognition of tomato leaf diseases based on deep learning
Ma Li, Zhou Qiaoli, Zhao Liya, Hu Yuanhui
(College of Information Technology, Jilin Agricultural University, Changchun, 130118, China)
Abstract: Early diagnosis and treatment of tomato diseases can help to improve the yield of tomatoes. The combination of artificial intelligence and agricultural production can achieve real-time non-destructive detection of tomato diseases. In this study, a research method for tomato leaf disease classification and recognition based on deep learning is proposed. Five kinds of common diseases of tomato leaves are selected for experimentation. Improvements are made to the MobileNetV3 model, and the effects of different learning methods, activation functions, and optimization algorithms on the accuracy of the model are analyzed. The model is compared with MobileNetV3, VGG16, ResNet50, and InceptionV3, and the robustness of the model is evaluated by ten-fold cross-validation. The research shows that the model has good classification performance, achieving an average recognition accuracy of 97.29% for common tomato leaf disease images. The model is superior to other models in terms of model size, running time, and classification accuracy, providing a reference for the recognition of common tomato leaf diseases.
Keywords: tomato diseases; multilayer perceptron; dilated convolution; focal loss; identification and classification
0 引言
作物在生长过程中受各种因素的影响容易发生病虫害现象,导致农产品产量和质量有所降低。通常情况下,农业病害的检测与治疗都是从作物的叶片部位着手,叶片颜色、病斑颜色、病斑形状和大小等特征信息都可以反映出作物病害的类别和程度。较为常见的病害检测方法是人工识别,即依据以往的经验对病害种类做出识别,及时地喷洒农药进行治疗。但是这种识别方法存在一定的弊端,会耗费很多的人力、物力资源,且农民对病害的识别经验有限,因此这种方法只适用于小面积种植区域内的病害检测。
随着计算机现代化技术的发展,作物的生长状况监测和病虫害檢测技术也在不断升级。可以利用计算机图像处理技术对病斑图像做分割处理,然后提取关键的病斑特征信息,通过选择合适的分类器对类别进行输出,以更加科学准确的方法判断病害类别。张铄等[1]对植物的四种病害做聚类分割,以对比颜色空间的方式找出最佳的分割方法,提取病害的13维特征,作为分类依据,结合SVM分类器,识别率为90.67%。杨涛等[2]采取不同的分割方法对川麦冬叶片的病斑进行分离,用主成分分析法去掉作用较差的病斑信息,提取表征能力强的特征向量送入设计的分类器中,测试识别率达到90%。谭秦红[3]应用无人机在距离地面不同高度处分别获取大豆病斑叶片的图像,采用SLIC超像素分割法提取梯度和纹理等方面的特征,结合随机森林分类方法对单一特征和融合特征进行对比分类,可以达到90%的最佳准确率。图像处理技术的应用是农业领域中病害识别技术的一个突破性进展,但是也存在一定的局限性,在识别前需要对病害做分割处理,单独提取特征并制作分类标签,特征的采集和标签的制作流程较为复杂。
深度学习的发展推动了卷积神经网络在农业病害识别方面的应用,并且已经取得一系列的成果。石洪康等[4]对家蚕的五类病害开展研究,收集病害样本,在特征融合情况下对ResNet50模型进行结构改进,测试准确率为94.31%,且参数量比原来下降了三分之二。梅莹等[5]建立了三种绿色蔬菜的霜霉病数据样本库,以VGG16模型为基础,减少卷积层和池化层的数量并调整训练参数,改进模型识别准确率是95.67%。吴淑琦[6]选用公开数据集的三类玉米病害作为试验对象,在LeNet模型基础上增加了卷积层和池化层,最高识别率达95%。与图像处理相比,应用卷积神经网络可以进一步提高作物病害识别准确率,并且卷积神经网络可以进行病害特征的自学习,不需要进行复杂的病斑分割操作就可以将图像送入分类器识别。
本文以番茄的五类病害叶片为主要研究对象,包括番茄细菌斑点病、早疫病、晚疫病、叶霉病、七星叶斑病,在轻量级卷积神经网络MobileNetV3[7]的基础上改进模型结构,从学习率、优化器算法和激活函数三方面探究参数变化对改进模型的识别准确率的影响。
1 数据来源及预处理
1.1 番茄叶片病害数据集
本试验的研究对象为番茄叶部病害的图像,对叶部病害进行分类识别,试验数据集来自Plant Village[8]公共数据集和AI Challenge[9]平台数据集。Plant Village数据库中包含各类常见的植物叶片病害图像的数据集,AI Challenger平台下的农作物病害数据集按照“物种—病害—程度”进行划分。平台中的数据以JSON文件的形式进行存储,可通过Python脚本调用JSON对象的文件名和类别两个属性来筛选番茄病害图像。番茄试验样本主要包括七星叶斑病、叶霉病、早疫病、晚疫病、细菌斑5类常见的番茄病害叶片和1类健康叶片。
1.2 图像预处理
为了保证试验数据的均衡性、样本的多样性和训练卷积神经网络模型所需样本的充足性,对试验数据进行了数据增强处理[10]。自然环境下的光照强度、病害图像拍摄角度以及叶片上可能存在灰尘等都会对图像中病害的识别分类产生重要的影响,因此本文对病害图像进行了高斯噪声添加、亮度增强、对比度变换、随机裁剪和随机旋转的预处理操作,以此增强样本的多样性,尽可能达到模仿自然环境下对病害识别的效果,扩充后的病害图像总数为13652张,并对图像尺寸进行统一调整,以满足卷积神经网络对输入图像的规格要求。样本数量中健康叶片数量为2561幅,早疫病叶片为2739幅,晚疫病叶片为2396幅,叶霉病叶片为1960幅,细菌斑病叶片为2459幅,七星叶斑病为2031幅。对6个类别的图像做扩充处理,示例图如图1所示。
2 模型构建
2.1 MobileNetV3模型
MobileNet模型分为三个系列,其中MobileNetV3是由MobileNetV1[11]和MobileNetV2[12]发展而来,它结合了两个模型各自的优势,通过进一步简化结构降低模型参数的方式提升了网络工作效率。MobileNetV3采用深度卷积和逐点卷积代替标准卷积,大大降低了网络的计算量。同时采用线性瓶颈和倒置残差结构,对输入特征通过先扩展通道再进行压缩的方式来提取信息,在不改变特征维度的情况下更加便于向量信息的获取。相比ReLU函数,在低维空间中采用线性瓶颈结构更有助于特征的采集,因此MobileNetV3在通道数量较少的卷积层后连接了线性层结构。
MobileNetV3还将基于挤压和激发的注意力模块(Squeeze and Excitation Networks,SE)[13]应用到瓶颈结构中,根据特征通道的重要程度来区分特征的作用大小,对非重要特征进行抑制。对网络尾部的1×1卷积层和池化层结构做改进,采用H-swish非线性函数,简化网络运行的工作量。在低配置的终端下就可以达到较高的分类准确性。MobileNetV3模型结构见表1。
2.2 MobileNetV3模型的改进
2.2.1 感知机构建
多层感知机(Multi-layer Perceptron,MLP)[14]主要由多个神经元层组成,可实现对非线性数据的处理。MLP是前馈神经网络,由输入层、隐含层和输出层构成,其中隐含层的层数可以根据需要调整数量,最简单的MLP只有一个隐含层,输入层到隐含层相当于一个全连接层,隐含层到输出层相当于一个softmax分类器(逻辑回归Logistic Regression),实现分类的作用。本文在原模型bottleneck模块的5×5卷积层后连接一层1×1卷积层,构成一个简单的感知机结构,并引入ReLU非线性函数,增加非线性元素,提升模型的非线性表达能力,而且感知机的特征重用原理可以提升模型的拟合能力,在数据样本量较少的情况下,提高分类准确性,使训练效果和测试效果更加贴近。感知机构建方式见图2。
2.2.2 空洞卷积添加
空洞卷积[15](Dilated Convolution)是指通过在常规卷积中注入空洞的形式扩大卷積核的尺寸,即扩大卷积核对输入特征图进行卷积操作的区域,增加提取特征的多样性。具体扩大的规模可以通过膨胀系数r和卷积核的尺寸来计算。番茄病害特征在不同类别之间或同种类别的不同阶段都会表现出一定的相似性。其中,番茄细菌病和七星叶斑病的叶子轮廓非常像,背景信息上容易致使模型判断失误;晚疫病和叶霉病叶片形状均为细长型,四周边缘都是卷曲的样式,个别叶片在病斑上也是非常接近。因此,对番茄叶部病害分类,要全面考虑番茄病害间的相似的背景特征和不易区分的病斑前景特征[16],加强病害类别的辨别。
扩大卷积核的感受野区域,可以提取更加多样性、更加全面、更加抽象的深层次特征,帮助网络鉴别病害的种类。本文在MobileNetV3的第十个和第十一个瓶颈结构的5×5卷积中,引入了扩张系数分别为2和4的空洞卷积。原始卷积核尺寸为5×5,感受野也是5×5,经过扩张后感受野大小分别为9×9、17×17。如图3所示,以扩张系数r为2举例,说明卷积核扩张方式。
以添加空洞的形式膨胀卷积核,不仅不会增加图像特征提取的计算量,还可以将感受野区域扩大,加强模型对输入特征的学习。
2.2.3 Focal Loss损失函数
Focal Loss(焦点损失)损失函数可以调整分类识别任务中模型对难分类样本的关注度,增加难分类样本所占的权重,提升错误分类样本的正确识别率。本文以番茄叶片病害为试验对象,番茄病害叶片和健康叶片的颜色差异非常小,且不同病斑间的症状相似度较大,因此模型需要提升对难分类的番茄叶片病斑的关注度,根据训练学习减少错分类样本的数量。引入Focal Loss损失函数可以减少MobileNetV3网络在训练过程中对易分类样本的权重,减少对难分类样本识别的干扰[17]。
Focal Loss损失函数是以Cross Entropy Loss损失函数为基础进行优化的,深度学习中Cross Entropy Loss损失函数对于一个样本有两个概率分布,即真实分布和非真实分布,表达式为
Loss=-∑ni=1yilogyi′
(1)
式中:
yi——分类样本的真实标签;
yi′——分类样本的预测标签。
经过对该损失函数优化得到了Focal Loss损失函数,表达式为
FL(pt)=-(1-pt)γlog(pt)
(2)
式中:
pt——
数据样本被预测为某个类别的概率;
γ——可调节聚焦参数;
(1-pt)γ——
简单或困难样本的调节因子。
调节因子可以使易分类样本的损失值成倍降低,进而增加难分类样本所占的损失值,对纠正错误分类样本起到非常关键的作用。使难分类的番茄病害图像在训练过程中,获取更高的关注度。
2.3 训练策略
改进后的番茄病害识别网络在原有结构的基础上引入了空洞卷积,在不同的bottleneck层设置不同尺寸的卷积核,提取更加接近于目标对象的抽象特征,降低了不同病害间的相似性给模型训练带来的难度。构建感知机结构,防止因数据量过少导致模型的拟合能力得不到提升,并采用Focal Loss损失函数,以提高模型对难分类样本的关注度,从而提高模型的训练效率。图4是基于改进MobileNetV3的模型训练过程,具体流程如下。
1) 将番茄图像训练数据集加载到MobileNetV3模型中进行训练,获得模型训练最初结果并保存。
2) 对MobileNetV3模型的最后两个瓶颈模块结构进行改进,增强CNN的局部感知能力,不断调整网络超参数获得最佳参数取值。
3) 利用测试数据集来验证已训练模型对6类样本的识别效果。
4) 对番茄病害识别做10折交叉验证,以更准确的验证方法评估模型。
3 结果与分析
3.1 试验结果
3.1.1 基于DM-MobileNetV3的病害识别
本文模型DM-MobileNetV3是在MobileNetV3的基础上改进得到的,由图5和图6可知,在同样训练到60轮的情况下,DM-MobileNetV3模型的识别精度更高,可达到97.29%,相比改进之前的95.16%提升了2.13%,测试的损失值由原来的24.46%下降到6.87%,下降幅度17.59%。DM-MobileNetV3模型的训练曲线震荡幅度较小,曲线变化相对平稳。
3.1.2 不同学习方式对模型性能的影响
学习率[18]对模型的识别影响较大,学习率取值太大,容易导致搜索过程出现震荡从而跳过最优解。学习率取值太小,则会增加模型的学习次数和收敛时间。较高的学习率或较低的学习率都会导致训练与测试的准确率较低,损失值较大,不利于网络的训练学习。在训练模型时,学习率(Learning rate)为0.01、0.001和0.0001以及0.00001的测试准确率和损失值变化,如图7和图8所示。当学习率逐渐增大到0.001时,模型识别率逐漸提高,测试损失值不断下降。在学习率为0.001时网络对于番茄叶片病害的识别效果优于之前。当学习率增大到0.01时,准确率不增反降,损失值也明显上升,这说明学习率的最佳取值会在一个区间范围内,太大和太小都不利于网络的训练。因此,学习率为0.001时网络对于番茄叶片病害的识别效果达到最优。
3.1.3 不同激活函数对模型性能的影响
图9和图10给出了模型使用Sigmoid、ReLU、GLU三种不同激活函数[19]在训练准确率和损失值上的曲线变化。可以看出,使用激活函数Sigmoid的模型识别准确率低且收敛速度慢,在训练过程中有明显的震荡现象,缺乏稳定性,训练效果较差;使用激活函数ReLU和GLU的模型相比之下更趋于稳定,在10轮之后逐渐达到收敛状态,但是使用ReLU函数的模型识别准确率较低,使用激活函数GLU的模型经过60轮训练后准确率可达到97.29%,准确率基本维持平稳,训练后的识别效果也较好。从损失值的对比来看,使用GLU激活函数可以使模型的损失度更低、使模型的训练更加平稳,激活函数GLU能够有效提升番茄病害识别模型的性能。
3.1.4 不同优化算法对模型性能的影响
优化器[20]的作用是更新和计算影响模型训练和模型输出的网络参数,使其逼近或达到最优值,从而使训练误差降低到最小。本文选取SGD、AdaGrad、Adam三种优化器对模型性能进行了测试,模型的识别精度和损失曲线如图11和图12所示,选择SGD和AdaGrad作为模型的优化器时,模型的识别精度都较低损失值都较高,而且SGD更新得过于频繁致使网络训练时间延长;使用AdaGrad时学习越深入,更新的幅度就会越小,训练到后期时学习率很可能会接近或退化成0,导致梯度无法更新。而Adam可以根据模型训练情况自动将学习率调整为合适值,网络对番茄叶片病害的识别精度均高于使用SGD和Adam的模型,损失值也明显更低。经过对比,使用Adam作为优化器会使得本文模型对于番茄叶片病害的识别效果更好。
3.2 不同识别模型对识别效果的影响
为了进一步验证本文识别模型的可靠性,在相同的试验条件下选取不同识别模型进行对比试验。根据参考文献[21-23]可知,VGG16、ResNet50和InceptionV3是圖像识别领域常用的卷积神经网络模型,并且都具有较好的识别效果,因此选择将其作为本试验的对比模型。图13为不同模型的识别精度对比曲线,表2为各模型试验对比的结果。其中,卷积层数仅为13的VGG16模型的测试准确率仅达到86.63%,识别效果最差;ResNet50模型和InceptionV3模型识别准确率非常接近,均达到93%以上;而DM-MobileNetV3模型达到97.29%的最高准确率,数据规模仅有41.55MB,无论识别精度还是存储规模都占有优势。
ResNet50对单张图片检测的耗时最长,平均检测时间为1.72s。VGG16与InceptionV3单张检测时间分别为0.64s和0.60s,而本文模型DM-MobileNetV3的单张图片检测平均耗时仅0.31s,更适合番茄病害图像的快速检测。
3.3 模型鲁棒性分析
采用单一的测试集对模型进行训练和评估会存在一定的随机性,不利于观察模型的稳定性。因此,为了对模型做出更好的验证,试验采用10折交叉验证[24](10-fold cross-validation)对模型进行评价,将番茄叶片病害图像分为10份,依次选取其中的9份作为训练集来对模型进行训练,剩余的1份作为测试集验证模型的识别性能,取10次结果的平均值作为对模型的评价。10次试验的识别准确率依次为96.98%、98.11%、97.31%、97.22%、97.37%、96.43%、97.61%、98.03%、96.17%、97.72%;平均测试准确率为97.29%,根据试验结果,该模型准确率和稳定性良好。
4 结论
1) 本文通过改进轻量卷积神经网络MobileNetV3的bottleneck结构,建立了DM-MobileNetV3番茄病害分类模型。针对番茄叶片病斑的不易分类特征,主要从卷积层和损失函数两方面来改进,在bottleneck中引入空洞卷积和感知机层,并调整损失函数为Focal Loss函数,使模型的识别精度提升了2.13%。
2) 试验在设置其他超参数相同的情况下,使用不同的学习率、激活函数和优化器测试模型的性能。试验结果得出,当采用0.001的学习率、GLU激活函数和Adam优化算法时其模型精确度为97.29%,模型性能最佳。同时十折交叉验证结果表明该模型的鲁棒性良好。
3) 本文在模型改进后,提升了算法的运行效率,平均识别时间为0.31s,低于其他算法。且模型仅有41.55MB,用低内存达到高识别率。与VGG16、ResNet50和InceptionV3相比,DM-MobileNetV3的识别精度和平均检测时间都占有优势。
参 考 文 献
[1] 张铄, 谢裕睿, 董建娥. 基于图像处理的植物叶片病害识别研究[J]. 现代计算机, 2021, 27(34): 112-116.
Zhang Shuo, Xie Yurui, Dong Jiane. Research on plant leaf disease recognition based on image processing [J]. Modern Computer, 2021, 27(34): 112-116.
[2] 杨涛, 雷进, 朱皓睿. 基于图像特征融合的麦冬叶部病害识别[J]. 湖北农业科学, 2021, 60(7): 135-138, 144.
Yang Tao, Lei Jin, Zhu Haorui. Recognition of ophiopogon japonicus disease based on image feature fusion [J]. Hubei Agricultural Sciences, 2021, 60(7): 135-138, 144.
[3] 谭秦红. 基于无人机图像处理的大豆叶片病害识别准确率研究[J]. 河南农业科学, 2021, 50(3): 174-180.
Tan Qinhong. Research on identification accurate rate of soybean leaf diseases based on UAV image processing [J]. Journal of Henan Agricultural Sciences, 2021, 50(3): 174-180.
[4] 石洪康, 肖文福, 黄亮. 基于卷积神经网络的家蚕病害识别研究[J]. 中国农机化学报, 2022, 43(1): 150-157.
Shi Hongkang, Xiao Wenfu, Huang Liang.Research on recognition of silkworm diseases based on convolutional neural network [J]. Journal of Chinese Agricultural Mechanization, 2022, 43(1): 150-157.
[5] 梅莹, 尹艺璐, 石称华. 基于改进VGG卷积神经网络的叶菜霜霉病智能识别算法研究[J]. 上海蔬菜, 2021(6): 76-84.
[6] 吴淑琦. 基于卷积神经网络的玉米病害识别[J]. 现代信息科技, 2021, 5(9): 6-9.
Wu Shuqi. Corn disease identification based on convolution neural network [J]. Modern Information Technology, 2021, 5(9): 6-9.
[7] 姚燕, 胡立坤, 郭军. 基于深度迁移网络MobileNetV3的地形识别[J]. 广西大学学报(自然科学版), 2021, 46(4): 996-1007.
Yao Yan, Hu Likun, Guo Jun. Terrain recognition based on deep transfer network MobileNetV3 [J]. Journal of Guangxi University (Natural Science Edition), 2021, 46(4): 996-1007.
[8] Sachin D, Tarun G, Dushyant G. Performance analysis of deep learning architectures for plant leaves disease detection [J]. Measurement: Sensors, 2022, 24.
[9] 樊湘鵬, 周建平, 许燕, 等. 基于改进卷积神经网络的复杂背景下玉米病害识别[J]. 农业机械学报, 2021, 52(3): 210-217.
Fan Xiangpeng, Zhou Jianping, Xu Yan, et al. Corn disease recognition under complex background based on improved convolution neural network [J].Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 210-217.
[10] Yadav D, Banga A, Yadav A K. A novel convolutional neural network based model for recognition and classification of apple leaf diseases [J]. Traitement du Signal, 2020, 37(6): 1093-1101.
[11] Cai Kewei, Miao Xinying, Wang Wei, et al. A modified YOLOv3 model for fish detection based on MobileNetv1 as backbone [J]. Aquacultural Engineering, 2020, 91: 102117.
[12] Indraswari R, Rokhana R, Herulambang W. Melanoma image classification based on MobileNetV2 network [J]. Procedia Computer Science, 2022, 197: 198-207.
[13] 刘强, 张道畅. 结合SENet的密集卷积生成对抗网络图像修复方法[J]. 小型微型计算机系统, 2022, 43(5): 1056-1060.
Liu Qiang, Zhang Daochang.Dense convolution generate adversarial network image inpainting method with SENet [J]. Journal of Chinese Mini-Micro Computer Systems, 2022, 43(5): 1056-1060.
[14] 刘万军, 李琳. 改进感知机多类分类方法在车辆类型识别中的应用[J]. 计算机应用与软件, 2015, 32(9): 152-156, 174.
Liu Wanjun, Li Lin. Application of improved perceptronmulti-class classification method in recognition of automobile models [J]. Computer Applications and Software, 2015, 32(9): 152-156, 174.
[15] 刘万军, 李嘉欣, 曲海成. 基于多尺度卷积神经网络的交通标示识别研究[J]. 计算机应用研究, 2022, 39(5): 1557-1562.
Liu Wanjun, Li Jiaxin, Qu Haicheng. Study on traffic sign recognition based on multi-scale convolutional neural network [J]. Application Research of Computers, 2022, 39(5): 1557-1562.
[16] 于合龙, 沈金梦, 毕春光. 基于知识图谱的水稻病害关联特征挖掘方法[J]. 吉林农业大学学报, 2021, 43(2): 181-188.
Yu Helong, Shen Jinmeng, Bi Chunguang. Associated features mining method of rice diseases based on knowledge graph [J]. Journal of Jilin Agricultural University, 2021, 43(2): 181-188.
[17] 崔子越, 皮家甜, 陈勇, 等. 结合改进VGGNet和Focal Loss的人脸表情识别[J]. 计算机工程与应用, 2021, 57(19): 171-178.
Cui Ziyue, Pi Jiatian, Chen Yong, et al. Facial expression recognition combined with improved VGGNet and Focal Loss [J]. Computer Engineering and Applications, 2021, 57(19): 171-178.
[18] Zhang Jinjing, Hu Fei, Li Li, et al. An adaptive mechanism to achieve learning rate dynamically [J]. Neural Computing and Applications, 2019, 31(10): 6685-6698.
[19] 徐艷蕾, 何润, 翟钰婷. 基于轻量卷积网络的田间自然环境杂草识别方法[J]. 吉林大学学报(工学版), 2021, 51(6): 2304-2312.
Xu Yanlei, He Run, Zhai Yuting.Weed identification method based on deep transfer learning in field natural environment [J]. Journal of Jilin University (Engineering and Technology Edition), 2021, 51(6): 2304-2312.
[20] 毕常遥, 袁晓彤. 基于Adam局部优化的分布式近似牛顿深度学习模型训练[J]. 计算机应用与软件, 2021, 38(10): 278-283.
Bi Changyao, Yuan Xiaotong.Deep learning training via distributed approximate newton-type method based on Adam local optimization [J]. Computer Applications and Software, 2021, 38(10): 278-283.
[21] 王林柏, 张博, 姚竟发, 等. 基于卷积神经网络马铃薯叶片病害识别和病斑检测[J]. 中国农机化学报, 2021, 42(11): 122-129.
Wang Linbai, Zhang Bo, Yao Jingfa, et al.Potato leaf disease recognition and potato leaf disease spot detection based on Convolutional Neural Network [J]. Journal of Chinese Agricultural Mechanization, 2021, 42(11): 122-129.
[22] Wang Guowei, Yu Haiye, Sui Yuanyuan. Research on maize disease recognition method based on improved ResNet50 [J]. Mobile Information Systems, 2021.
[23] Methuni N R, Yasmini R, Begumi N, et al. Carrot disease recognition using deep learning approach for sustainable agriculture [J]. International Journal of Advanced Computer Science and Applications (IJACSA), 2021, 12(9).
[24] 梁子超, 李智炜, 赖铿. 10折交叉验证用于预测模型泛化能力评价及其R软件实现[J]. 中国医院统计, 2020, 27(4): 289-292.
Liang Zichao, Li Zhiwei, Lai Keng.Application of 10-fold cross-validation in the evaluation of generalization ability of prediction models and the realization in R [J]. Chinese Journal of Hospital Statistics, 2020, 27(4): 289-292.