基于改进行锚分类的快速葡萄叶片病害检测算法

摘要：在葡萄生产过程中，叶片病害的及时检测对于保障产量和品质至关重要。然而，传统的检测方法不仅耗时且劳力密集，而且往往受限于人为因素，导致检测准确率不高且效率低下。针对现有葡萄叶片病害检测模型准确率低、花费时间长等问题，本研究提出了一种基于改进行锚分类的快速葡萄叶片病害检测算法，以减少现有方法的时间消耗和人为误差，提高葡萄生产的整体质量和效率。首先，设计了一个特征蒸馏网络，该网络通过自注意力精炼机制有效提升了对葡萄叶片病害特征的提取能力。其次，采用行锚分类方法替代了传统的锚框分类，更精确地识别葡萄叶片上的病害行。最后，引入非局部注意力机制，进一步增强了对病害位置的预测能力。试验结果表明，本研究方法在葡萄叶片病害数据集上表现出较高的检测精度和速度，达到了92.4%的检测准确率和36.8帧/s的检测速度，充分证明了本研究算法的有效性和实用性。为葡萄生产中的病害检测提供了一种高效、可靠的新技术方案，具有广泛的应用潜力和重要的经济价值。

关键词：葡萄；叶片病害；特征蒸馏；行锚；非局部注意力

中图分类号：TP391.41" 文献标志码：A

文章编号：1002-1302（2024）23-0206-08

王" 俏，张" 彪，刘" 鑫. 基于改进行锚分类的快速葡萄叶片病害检测算法［J］. 江苏农业科学，2024，52（23）：206-213.

doi：10.15889/j.issn.1002-1302.2024.23.028

收稿日期：2023-12-22

基金项目：国家自然科学基金（编号：62303204）；山东省自然科学基金（编号：ZR2021QF036）。

作者简介：王" 俏（1983—），女，山东淄博人，硕士，副教授，研究方向为计算机应用技术、人工智能。E-mail：wangqiao198310@163.com。

通信作者：张" 彪，博士，副教授，研究方向为人工智能、智能优化调度。E-mail：zhangbiao@lcu-cs.com。

葡萄是世界上最重要的果树之一，具有很高的经济价值和社会效益。葡萄叶片病害是影响葡萄生长和品质的主要因素之一，严重危害葡萄产业的发展［1-3］。因此，及时准确地检测葡萄叶片病害对于提高葡萄的产量和质量、降低农药的使用量和成本、保护生态环境和人类健康具有重要意义［4-6］。

传统的葡萄叶片病害检测方法主要依赖于人工观察和判断，这种方法不仅耗时耗力，而且受到人为因素的影响较大，如专业知识、经验、视力、疲劳程度等，导致检测结果存在主观性和不稳定性［5-7］。随着计算机视觉和深度学习技术的发展，利用图像处理和机器学习的方法进行葡萄叶片病害检测成为了一种有效的替代方案［8］。这种方法可以利用大量的葡萄叶片图像数据，自动提取葡萄叶片病害的特征，实现葡萄叶片病害的分类和定位，提高检测的准确率和效率［9-11］。

目前，基于图像处理和机器学习的葡萄叶片病害检测方法主要分为2类：基于传统机器学习的方法和基于深度学习的方法［12］。基于传统机器学习的方法通常需要人工设计和选择合适的特征，如颜色、纹理、形状等，然后利用分类器（如支持向量机、随机森林、K近邻算法等）进行葡萄叶片病害的分类［13-15］。这种方法的缺点是特征的设计和选择依赖于人工经验和先验知识，难以适应不同的葡萄叶片病害类型和图像条件，且特征的表达能力有限，难以捕捉葡萄叶片病害的细微差异。

基于深度学习的方法则利用神经网络［如卷积神经网络（CNN）、循环神经网络（RNN）、注意力机制等］，自动地从葡萄叶片图像中学习葡萄叶片病害的特征，实现葡萄叶片病害的分类和定位［16-18］。黄英来等提出了一种改进轻量卷积网络模型，用于提高葡萄叶片病害图像分类的准确率和效率［19］。贾璐等设计了一个新的网络模型MANet，能够准确识别复杂环境下的葡萄病害，其平均识别准确率为99.65%，优于其他模型［20］。戴久竣等改进残差网络，用于葡萄叶片病害识别中，其识别准确率达到98.20%，比原模型提高了3.18百分点［21］。上述方法的优点是特征的提取和选择无需人工干预，能够适应不同的葡萄叶片病害类型和图像条件，且特征的表达能力强，能够捕捉葡萄叶片病害的细节和变化。

然而，基于深度学习的葡萄叶片病害检测方法也存在一些问题，主要有以下几个方面：（1）葡萄叶片病害的特征提取不充分。由于葡萄叶片病害的形态和颜色多样，且受到光照、遮挡、噪声等因素的干扰，导致葡萄叶片病害的特征提取难度较大，需要更深层次和更细粒度的特征表示。（2）葡萄叶片病害的分类和定位不精确。由于葡萄叶片病害的分布不均匀，且存在多种病害共存的情况，导致葡萄叶片病害的分类和定位难以准确划分，需要更灵活和更鲁棒的分类和定位方法。（3）葡萄叶片病害检测的速度慢。由于葡萄叶片病害检测需要处理大量的葡萄叶片图像数据，且需要进行多阶段的特征提取、分类和定位，导致葡萄叶片病害检测的速度较慢，需要更高效和更简洁的检测算法。针对上述问题，本研究提出了一种基于改进行锚分类的快速葡萄叶片病害检测算法。该算法主要创新点包括以下3个方面：设计一种特征蒸馏网络（FDN），利用多尺度特征融合和自注意力精炼机制，提高了特征提取的质量和效率。通过构造教师和学生网络，实现了特征之间的互相学习和优化；利用行锚分类方法思想，在不同尺度上生成行锚，代替传统的锚框，实现了对葡萄叶片病害行的分类。通过对行锚进行筛选和排序，减少了误检和漏检的情况；设计非局部注意力机制的葡萄叶片病害位置预测模块，引入非局部注意力机制，增强了对葡萄叶片病害位置的预测能力。通过对每个行锚内的像素进行分类，得到了更准确的葡萄叶片病害位置。

1" 基于改进行锚分类的快速葡萄叶片病害检测

1.1" 整体框架

本研究网络架构由残差网络骨干［22］、FDN以及葡萄叶片病害位置预测模块构成，如图1所示。其中，残差网络负责特征编码，FDN用于多尺度特征的融合，而葡萄叶片病害位置预测模块则利用非局部注意力机制和全连接层进行葡萄叶片病害位置的预测。

具体操作过程中，残差网络先输出各层深度下的特征图F1，…，F4。接着，FDN通过标准卷积、下采样和上采样操作进行特征融合。其中，标准卷积通过1×1的卷积核来降低特征图F1，…，F4的通道数，并通过分组卷积方法融合特征图I1，…，I4，同时利用最大池化和双线性插值方法实现降维和升维。这样的设计使网络可以在深层学习丰富的上下文信息，从而更准确地识别出葡萄叶片病害特征。

在特征解码阶段，运用非局部注意力机制［23］对特征进行处理，这种机制包含4个1×1的标准卷积层，旨在以少量的计算获取葡萄叶片病害的全局信息。同时，通过全连接层和相关操作进行行锚分类，以预测葡萄叶片病害的具体位置。在这一步中，全连接层负责预测葡萄叶片病害的具体分类，而 reshape 函数则被用于改变张量的尺寸。

本研究算法的网络结构参数设置见图2。网络由多个特征编码阶段组成，每个阶段包含n个残差模块，残差模块的参数为卷积核k、步幅s、边缘填充p和通道数c。

1.2" 特征蒸馏网络

为了在目标检测中同时利用深层特征的语义信息和浅层特征的空间信息，提出了一种FDN架构，将不同层次的特征图进行有效的融合。具体来说，FDN首先将高层特征图通过分组卷积操作上采样到与低层特征图相同的分辨率，然后将两者进行逐元素相加，得到一个融合后的特征图。接着，FDN再将融合后的特征图通过分组卷积操作下采样到与高层特征图相同的分辨率，再次进行逐元素相加，得到另一个融合后的特征图。这样，FDN就实现了从低层到高层，再从高层到低层的双向特征传递，使得每个尺度的特征图都能够获得更丰富的信息。FDN的前向推理过程可以用以下公式表示：

Ii=Conv（Fi）；（1）

Mi=GConvα×Ii+β×resize（Mi+1）α+β；（2）

Oi=GConvα×Ii+β×Mi+λ×resize（Oi-1）α+β+λ。（3）

式中：Conv表示卷积层；GConv表示分组卷积层；Fi、Mi+1、Oi-1分别表示第i层的特征图、第i+1层的中间输出和第i-1层的最终输出；Ii、Mi、Oi分别表示第i层的卷积输出、第i层的分组卷积输出和第i层的最终输出；α和β用于调节输入之间权重的系数；λ用于调节残差连接的系数；resize是用于调整张量尺寸的函数。此外，采用分组卷积层来实现多尺度的特征整合，这样可以减少网络前向传播的计算

量，提高检测速度。分组卷积层的计算过程如图3所示。

1.3" 葡萄叶片病害位置预测模块

为提升检测速度，使用行锚分类法［24］来检测葡萄叶片病害。设图像中最多有C个葡萄叶片病害，行锚数为h，每个行锚分成n个位置网格，如图4所示。位置类别预测的公式如下：

LOijk=fij（XO）。（4）

式中：i∈［1，C］，j∈［1，h］，k∈［1，n+1］；LOijk是n+1维向量；fij（·）是第j个行锚上每个网格属于葡萄叶片病害i位置的分类器；XO是经过非局部注意力机制处理的FDN的输出特征O4；k∈［1，n+1］表示行锚的n个位置网格和1个背景网格。

行锚和网格数量一般远小于图像尺寸，即hlt;lt;H、nlt;lt;W。图像分割要计算（C+1）×W×H，而行锚分类只要计算C×（n+1）×h，所以行锚分类可以大幅降低网络计算量，提升检测速度。根据行锚分类预测的位置类别LOijk，用argmax 函数就能得到葡萄叶片病害位置：

Pij=argmaxkLOijk，k∈［1，n+1］。（5）

预测时，可能有多个位置网格都是葡萄叶片病害位置的最大概率，这样利用公式（5）就不能准确找到葡萄叶片病害位置。为了解决这个问题，本研究使用位置期望的方法来近似病害位置，得到更精确的葡萄叶片病害位置。首先用softmax 函数算出每个网格类别是葡萄叶片病害位置的概率，公式如下：

pijk=exp（LOijk）∑nk=1exp（LOijk）。（6）

其中，pijk是每个网格是葡萄叶片病害位置的概率；k∈［1，n］表示忽略背景网格，只计算位置期望。

由公式（6）可得，葡萄叶片病害位置的期望公式如下：

Pij=∑nk=1k·pijk。（7）

在考虑到行锚分类需要全局信息来检测葡萄叶片病害，以及大感受野CNN需要捕获长距离的葡萄叶片病害全局信息的限制，因此引入了非局部注意力机制来构建特征和特征图之间的关系，提高葡萄叶片病害位置预测的精度，而计算成本相对较低。非局部注意力机制的结构图如图5所示，数学表达式如下：

XO=Convexp（QT·K）∑i∈CQexp（QT·K）·VTT+O4。（8）

式中：Q、K、V表示输入特征图O4经过3个不同的 1×1 标准卷积层运算后得到的对应输出特征图。Q、K、V的维度分别为CO×H×W、CK×H×W、CV×H×W，其中CO=CK=CV=C/8，C是输入特征图O4的通道数，H和W是输入特征图O4的高度和宽度；CQ表示在当前查询向量Q下，所有可能的病害位置。

1.4" 网络训练

为了让网络能够学习到更好的葡萄叶片病害特征，本研究在FDN 中引入了自注意力精炼的方法。具体来说，将FDN 的输入特征Im视为学生网络需要学习的知识，将输出特征Om视为教师网络已经掌握的知识，然后使用均方误差函数来衡量两者之间的自注意力精炼损失，如下所示：

ζsad=∑4m=1［softmax（∑Cmi=1Im，i）-softmax（∑Cmi=1Om，i）］2。（9）

式中：Im，i表示通道维度中Im的第i个切片；Cm为特征图的通道数。

其次，采用了一种利用教师的预测值作为软标签的方法，来进一步提升学生网络的特征学习能力。具体来说，使用KL 散度函数来度量教师网络和学生网络之间的自知识精炼损失，如下所示：

ζskd=softmax（LIijk）·log2softmaxLIijkLOijk。（10）

式中：LOijk和LIijk分别为教师和学生的葡萄叶片病害位置类别预测结果。

为了使行锚的位置类别预测方法更准确地检测葡萄叶片病害的位置，使用交叉熵函数来计算预测结果和真实标签之间的多分类损失，如下所示：

ζOcls=∑n+1k=1Tij·ln（LOijk）+（1-Tij）·ln（1-LOijk）。（11）

式中：Tij为葡萄叶片病害位置类别标签。现将葡萄叶片病害位置类别预测的偏移量定义为葡萄叶片病害结构，则结构损失可使用L1范数函数定义为

ζstr=∑Ci=1∑h-1j=1‖POij，1：n+1，POi，j+1，1：n+1‖1。（12）

综上所述，在训练过程中本研究算法的总损失计算如下：

ζ=ζOcls+α（ζsad+ζskd）+β·ζstr。（13）

式中：α和β是平衡各损失计算的权重系数，均设置为0.1。

2" 试验设计与结果分析

2.1" 试验环境与数据集

本研究在2023年12月于山东农业大学作物生物学国家重点实验室进行。试验平台使用了以下的软硬件环境：操作系统是Window 10，处理器是Intel CoreTM i7-12700H 2.30 GHz，显卡是GeForce RTX 2050，显存大小是6 GB。软件方面，使用了Anaconda、CUDA 11.4.0和Pytorch 1.9.1作为深度学习框架。

本研究使用了无人机巡检图片作为原始数据集，其中包括3 000 张健康葡萄叶片图片和800 张葡萄叶片病害图片。使用labelImg工具对图片进行标注，然后为了解决葡萄叶片病害图片数量不足的问题，对其进行了镜像和旋转等数据增强，得到了 1 600 张葡萄叶片病害图片。最后，将4 600 张图片分为训练集和测试集，用于本研究算法的验证部分实例见图6。

2.2" 试验参数和流程设置

本研究模型的超参数设置见表1，模型训练流程见图7。

2.3" 试验评价指标

为了评估目标检测模型的性能，本研究使用了以下几个指标：准确率（P）、召回率（R）、平均精度均值（mAP）和检测速度［每秒处理帧数（FPS）］。它们的计算公式如下：

P=NTP/（NTP+NFP）×100%；（14）

R=NTP/（NTP+NFP）×100%；（15）

mAP=（∑oi=1Ai）/o，A=∫10P（R）dR；（16）

FPS=1/tavg。（17）

其中：NTP和NFP是正确识别和错误识别的样本数；NFP是漏检的样本数；P是检测正确的样本占检测出的样本的比例；R是检测出的样本占所有样本的比例；o是模型设定的类别数，这里取o=2，对应葡萄叶片病害部位；tavg是检测1张图片所花费的平均时间。

2.4" 试验结果

2.4.1" 算法性能对比与分析

为了验证本研究方法的有效性，在相同的试验环境下，将本研究的改进方法与SSD、Faster R-CNN、YOLO v5等常用的目标检测模型进行对比试验，并测试了葡萄叶片病害识别的精度和速度等评价指标。试验结果见表2。可以看出，本研究方法在所有的指标上都表现得最好，说明它具有较高的检测质量和速度。在P指标上比SSD高了10百分点，比Faster R-CNN高了3.9百分点，比YOLO v5高了1.8百分点，说明本研究方法可以更准确地识别出葡萄叶片病害的缺陷位置，减小了误检的概率。在R指标上比SSD高了

11.0百分点，比Faster R-CNN高了6.4百分点，比YOLO v5高了3.6百分点，这说明本研究方法可以更全面地覆盖所有的葡萄叶片病害样本，减少了漏检的情况。在mAP指标上比SSD高了11.0百分点，比Faster R-CNN高了6.4百分点，比YOLO v5高了3.2百分点，说明本研究方法可以更稳定地保持高水平的检测性能，不受不同难度级别和场景变化的影响。在检测速度指标上比SSD快了12.3帧/s，比Faster R-CNN快了3.2帧/s，比YOLO v5快了15.1帧/s，说明本研究方法可以更快地处理图像数据，提高了检测的实时性和效率。

不同模型在试验中的收敛性情况见图8。可以看出本研究方法在收敛性方面优于SSD、Faster R-CNN和YOLO v5 3种常用的目标检测模型，说明本研究方法具有较强的学习能力和适应性。

2.4.2" 消融试验

为进一步验证本研究模型的有效性，设置3组消融试验，结果见表3。消融试验的步骤是：

从本研究方法中移除特征蒸馏网络，只使用基础网络进行特征提取，得到消融模型1。

从本研究方法中移除行锚分类方法，使用传统的锚框进行目标检测，得到消融模型2。

从本研究方法中移除非局部注意力机制的葡萄叶片病害位置预测模块，只使用简单的回归层进行位置预测，得到消融模型3。

在相同的试验环境和数据集下，分别测试本研究方法和3个消融模型在葡萄叶片病害检测任务上的性能，使用P、R、mAP和检测速度4个指标进行评价。

比较本研究方法和消融模型1，可以看出特征蒸馏网络对葡萄叶片病害特征提取的质量和效率有显著的提升作用。特征蒸馏网络可以利用多尺度特征融合和自注意力精炼机制，增强了特征之间的互补性和表达能力。通过构造教师和学生网络，可以实现特征之间的互相学习和优化。特征蒸馏网络使本研究方法在P上提高了3.7百分点，在R上提高了5.5百分点，在mAP上提高了5.5百分点，在检测速度上提高了2.3帧/s。比较本研究方法和消融模型2，可以看出行锚分类方法对葡萄叶片病害行的分类有明显的优势。行锚分类方法可以在不同尺度上生成行锚，代替传统的锚框，减少了误检和漏检的情况。行锚分类方法使本研究方法在P上提高了3.0百分点，在R上提高了4.1百分点，在mAP上提高了4.1百分点，检测速度提高了4.0帧/s。比较本研究方法和消融模型3，可以看出非局部注意力机制的葡萄叶片病害位置预测模块对葡萄叶片病害位置的预测能力有显著的增强作用。非局部注意力机制可以捕捉图像中不同区域之间的长距离依赖关系，提高了位置预测的精度和鲁棒性。非局部注意力机制使本研究方法在P上提高了1.6百分点，在R上提高了2.4百分点，在mAP上提高了2.4百分点，在检测速度上提高了1.6帧/s。综上所述，本研究方法中的3个主要模块都对葡萄叶片病害检测性能有正向的影响，说明本研究方法是有效的。

2.4.3" 检测算法可视化

以白腐病为例，可视化不同模型的病害检测效果，进而直观验证本研究模型的优势。由图9可知，SSD和YOLO v5 的检测结果较差，它们没有检测出白腐病的位置，只是将整个叶片作为1个目标。这可能是因为白腐病的面积较小，而这2种算法对小目标的检测能力较弱。Faster R-CNN 的检测结果较好，它检测出了白腐病的位置，但是边界框的大小和形状不太准确，有些过大或过小，有些不符合白腐病的形状。这可能是因为 Faster R-CNN 使用的锚框是固定的尺寸和比例，不能很好地适应不同的目标。本研究方法的检测结果最好，它检测出了白腐病的位置，而且边界框的大小和形状都比较准确，与白腐病的实际情况相符。这可能是因为本研究方法使用的行锚分类方法

可以动态地生成不同的锚框，而且利用了特征蒸馏网络和自注意力精炼机制提高了特征提取的效果，还采用了非局部注意力机制增强了位置预测的能力。

3" 结论

本研究针对葡萄叶片病害的检测精度低、速度慢等问题，提出了一种基于改进行锚分类的快速葡萄叶片病害检测算法。首先设计了FDN，并利用多尺度特征融合和自注意力精炼机制，有效提升了葡萄叶片病害特征提取的质量和效率。同时，通过教师和学生网络的运用，实现了特征之间的互相学习和优化。进一步利用行锚分类方法在不同尺度上生成行锚，以替代传统的锚框，实现了对葡萄叶片病害行的分类。这一策略显著减少了误检和漏检的情况。然后，通过设计非局部注意力机制的葡萄叶片病害位置预测模块，成功增强了对葡萄叶片病害位置的预测能力。通过在真实数据集上对算法性能的评估，以及与其他深度学习检测算法的对比，证明了本研究提出的算法具有较高的检测精度和速度。检测准确率达到了92.4%，而检测速度达到了36.8帧/s，研究结果明显优于当前多数先进方法，并将为葡萄叶片病害检测在实际应用中提供有效的技术支持。

参考文献：

［1］张晓月，郭俊强，王祎玮，等. 避雨栽培对鲜食葡萄植株生长及病害发生的影响［J］. 西北植物学报，2023，43（2）：255-264.

［2］Lin J，Chen X，Pan R，et al. GrapeNet：a lightweight convolutional neural network model for identification of grape leaf diseases［J］. Agriculture，2022，12（6）：887.

［3］许文燕. 基于轻量化神经网络的葡萄叶部病害检测装置研制［J］. 江苏农业科学，2023，51（19）：181-189.

［4］赵" 兵，冯" 全. 基于全卷积网络的葡萄病害叶片分割［J］. 南京农业大学学报，2018，41（4）：752-759.

［5］Javidan S M，Banakar A，Vakilian K A，et al. Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning［J］. Smart Agricultural Technology，2023，3：100081.

［6］谢圣桥，宋" 健，汤修映，等. 基于迁移学习和残差网络的葡萄叶部病害识别［J］. 农机化研究，2023，45（8）：18-23，28.

［7］Lu X Y，Yang R，Zhou J，et al. A hybrid model of ghost-convolution enlightened transformer for effective diagnosis of grape leaf disease and pest［J］. Journal of King Saud University-Computer and Information Sciences，2022，34（5）：1755-1767.

［8］刘阗宇，冯" 全，杨" 森. 基于卷积神经网络的葡萄叶片病害检测方法［J］. 东北农业大学学报，2018，49（3）：73-83.

［9］王书志，乔" 虹，冯" 全，等. 基于显著性目标检测的葡萄叶片病害分割［J］. 湖南农业大学学报（自然科学版），2021，47（1）：101-107.

［10］Yin X，Li W H，Li Z，et al. Recognition of grape leaf diseases using MobileNet v3 and deep transfer learning［J］. International Journal of Agricultural and Biological Engineering，2022，15（3）：184-194.

［11］乔" 虹，冯" 全，张" 芮，等. 基于时序图像跟踪的葡萄叶片病害动态监测［J］. 农业工程学报，2018，34（17）：167-175.

［12］雷建云，叶" 莎，夏" 梦，等. 基于改进YOLO v4的葡萄叶片病害检测［J］. 中南民族大学学报（自然科学版），2022，41（6）：712-719.

［13］Shantkumari M，Uma S V. Grape leaf image classification based on machine learning technique for accurate leaf disease detection［J］. Multimedia Tools and Applications，2023，82（1）：1477-1487.

［14］方" 逵，李" 成，何" 潇，等. 基于三维重建的多角度葡萄叶病害识别方法研究［J］. 中国农业科技导报，2022，24（7）：86-96.

［15］王超学，祁" 昕，马" 罡，等. 基于YOLO v3的葡萄病害人工智能识别系统［J］. 植物保护，2022，48（6）：278-288.

［16］何" 欣，李书琴，刘" 斌. 基于多尺度残差神经网络的葡萄叶片病害识别［J］. 计算机工程，2021，47（5）：285-291，300.

［17］Suo J Y，Zhan J L，Zhou G X，et al. CASM-AMFMNet：a network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases［J］. Frontiers in Plant Science，2022，13：846767.

［18］戴久竣，马肄恒，吴" 坚，等. 基于改进残差网络的葡萄叶片病害识别［J］. 江苏农业科学，2023，51（5）：208-215.

［19］黄英来，李" 宁，刘镇波，等. 改进轻量卷积网络在葡萄病害叶片的分类方法［J］. 哈尔滨理工大学学报，2023，28（3）：1-9.

［20］贾" 璐，叶中华. 基于注意力机制和特征融合的葡萄病害识别模型［J］. 农业机械学报，2023，54（7）：223-233.

［21］戴久竣，马肄恒，吴" 坚，等. 基于改进残差网络的葡萄叶片病害识别［J］. 江苏农业科学，2023，51（5）：208-215.

［22］朱" 帅，王金聪，任洪娥，等. 基于多特征融合的残差网络果树叶片病害识别［J］. 森林工程，2022，38（1）：108-114，123.

［23］Qian X F，Zhang C Q，Chen L，et al. Deep learning-based identification of maize leaf diseases is improved by an attention mechanism：self-attention［J］. Frontiers in Plant Science，2022，13：864486.

［24］Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework［J］. PeerJ Computer Science，2021，7：432.