基于改進YOLOX-S的玉米病害識別

李名博 任東悅 郭俊旺 衛勇

摘要：在玉米病害的影響下，玉米產量下降，其中大部分病害癥狀均反映在玉米的葉片上。針對人工識別葉片費時、費力、準確率低的問題提出了一種基于改進YOLOX-S網絡的玉米病害識別模型，并將該模型部署到Atlas 200DK開發板中。該研究在YOLOX-S的基礎上添加了4個CBAM注意力機制模塊，其中3個注意力機制模塊添加到網絡的Backbone與Neck之間，第4個注意力機制模塊添加到SPPBottleneck的2次上采樣結果后，通過使用不同的權重來調整不同病害特征細節的重要程度，能夠提高模型收斂速度，有效提升模型的識別精度，并基于Atlas 200DK開發板的特性及相關屬性，將改進后的模型部署到開發板當中，實現了算法的移植。結果表明，改進后的YOLOX-S網絡模型與YOLO v3、YOLO v4、Faster R-CNN 模型相比，在識別率與精確性方面有著顯著的優勢，與原模型相比，識別準確率（mAP值）提高0.2百分點，改進后的YOLOX-S網絡模型對玉米病害的識別準確率高達98.75%，并且部署到Atlas 200DK開發板的模型仍然發揮良好的檢測性能，可以為識別玉米病害提供參考。

關鍵詞：病害識別；深度學習；改進型YOLOX-S；數據增強；模型部署

中圖分類號：TP391.41? 文獻標志碼：A

文章編號：1002-1302（2024）03-0237-10

進入21世紀，深度學習與人工智能技術迅速發展，許多學科都與人工智能有了交叉，由于深度學習在許多方面的成功運用，目前已有許多學者把目光轉向了深度學習與農業的融合。我國的玉米種植面積極其廣泛，因其具有極高的營養價值，更是農民收入的重要來源。然而，玉米在生長的過程中也會產生各種病害：大斑病、小斑病、銹病、玉米紋枯病、玉米彎孢葉斑病等［1］。因此，利用深度學習技術對病害的不同類型進行有效分類，幫助農民解決了大問題，為這一問題的求解打下了良好的基礎。目前，在農業生產中使用深度學習的方法日益增多。經過對CaffeNet模型的微調，Hasan等對15種不同類型的植物進行了分類，其中包括13種病害、1種背景和1種正常葉子，每一種類型的識別準確率都超過91%［2］。Chen等將空間注意力理論與 DenseNet相結合，將玉米病害分類的精度提高到98.96%，并將其與其他3種病葉進行了比較［3］。另外，有些學者將多種深度學習模式與分類方法相結合，或利用不同的技術，將人工制造的特性與自動特征相結合，從而提高了綜合結果。畢春光等根據BP神經網絡容易陷入局部極小的缺點，在此基礎上，利用貝葉斯神經網絡，提出了一種新的預測模型，并與傳統BP神經網絡進行比較，試驗證明，該方法具有較高的精確度，可達94.04%［4］。毛彥棟等針對玉米葉部病害圖像的顏色、紋理、形狀特征對病害影響的差異性，提出一種結合單特征下的SVM識別準確率和識別結果的融合多特征玉米病害識別方法［5］。本研究在YOLOX-S的基礎上進行改進，加入了4個CBAM注意力機制模塊，用來提高目標檢測算法的識別率，采用Mosaic、MixUp、CutOut等數據增強方法，完成玉米病害的識別，并將改進型YOLOX-S算法模型部署到Atlas 200DK中，對其效果進行測試，發現GPU算法移植到Atlas 200DK上仍然擁有良好的檢測性能。

1 數據集的構建

1.1 數據來源

試驗時間為2022年9—12月，試驗地點位于天津市西青區津靜公路22號天津農學院工程技術學院。

本研究的試驗數據主要來自于PlantVillage公共數據集，采用數據集中的3種玉米病害葉片與玉米健康葉片數據作為本研究的試驗數據。病害種類包括玉米葉斑病、玉米灰斑病和玉米銹病，這3類病害葉片加上健康葉片的數據共計3 852張。試驗數據集中的圖像示例如圖1所示。

1.2 數據標注

本次試驗的標注工作均由6名有標識經驗的專家完成，每一塊玉米葉片都被一個綠色長方形的框架所包圍。同時，對標注好的文件進行重新校對，以防止出現漏標誤標。用XML格式存儲標記過的玉米葉片，圖2顯示了標記過的玉米葉片和相應的 XML文檔文件，該文檔包括了由長方形的邊框構成的玉米葉子的位置信息。在此文件中，boundingbox作為4元組（xmin，ymin，xmax，ymax），（xmin，ymin）代表boundingbox的左上方，而xmax則是bounding box的寬度和高度，并與標記的玉米葉片進行一一對應，從而將玉米的位置信息全部記錄下來［6］。

1.3 數據增強

根據原始數據集，利用Mosaic、MixUp、CutOut等數據增強方法，對原始數據集進行了擴充，同時對不同像素和XML文件進行增強處理，大大縮短了重復標注的時間和人力成本［7］。原始玉米病害圖像如圖3所示，增強后的部分圖像如圖4所示。

本試驗所用的玉米病害圖像原始分辨率均為256像素×256像素，為了達到更好的訓練效果，對原始數據集進行了預處理，統一調整了分辨率，將數據增強后的7 023張玉米病害圖像統一縮小到224像素×224像素。其中，玉米健康葉片、玉米葉斑病、玉米灰斑病、玉米銹病的圖像數分別為1 982、1 360、1 560、2 121張，具體如圖5所示。

本次數據增強對玉米病害圖像及玉米的健康葉片圖像進行了重新劃分，按照8 ∶1 ∶1的比例將玉米病害數據分為訓練集、測試集和驗證集。加強后的訓練集、測試集、驗證集樣本總數分別為 5 617、703、703張，數據增強后的訓練集測試集圖像數量詳情如表1所示。

2 改進的YOLOX-S算法

2.1 YOLOX-S目標檢測算法

2021年，曠視科技基于YOLO系列，結合近幾年國內外研究成果，對其進行了優化和完善，并推出了YOLOX算法。YOLO v5在目標檢測方面掀起了一股網絡結構分解、剖析的熱潮，YOLOX算法正是基于YOLOX的思想，將YOLOX模式轉化成了多種可選擇的網絡。例如，在YOLO v3_spp中加入幾個常見的改進方法，增加YOLO v3 baseline基準模型，增加不同的trick，其中不局限于Decoupled、SimOTA，從而獲得YOLOX-Darknet53網絡；針對YOLO v5的4種不同的網絡，分別使用高效的trick進行優化，最終獲得YOLOX-S、YOLOX-M、YOLOX-L、YOLOX-X這4種不同的網絡模式，還對YOLOX-Nano、YOLOX-Tiny等輕量級網絡進行了設計，并對其適應性進行了試驗［8］。

2.2 注意力機制

注意力機制源于人腦特殊的信號加工機理。在卷積神經網絡中，注意力機制被廣泛用于自然語言處理、機器視覺等領域，通過使用不同的權重來調整信息的重要性，將重點信息乘以較高的權重，強調其重要性，同時對非關鍵信息進行加權濾波，從而實現對復雜任務的快速篩選［9］。

2.2.1 通道注意力

通道注意力主要集中在圖像的語義信息上，使網絡對所給的圖像進行更多的詳細分析。在檢測網絡中，每一個卷積層都含有大量的濾波器，用于學習代表所有通道的局部空間連通方式。通道關注的是各個通道間的關聯，并對各個通道賦予不同的權值以確定它們的重要性。其主要原理為將輸入的特征圖F進行最大池化和平均池化處理，獲得1×1×C的特征圖，然后將其送至共享網（Shared MLP），逐個單元相加，由Sigmoid激活函數進行最后的詳細計算，最終形成信道注意力MC［10］。SENet是“通道關注”的經典作品，曾經獲得2017 ImageNetworks和Image類目任務的冠軍。它的模塊結構在圖6中顯示，輸入的特征是X，C1是特性通道，經過一系列的卷積轉換，輸出的是C2的特性通道。首先，在空間維度上對各特征進行壓縮，將各二維特性通道變成一個真實C，從而得到先前的整體感知范圍，再進行激發運算，通過對信道重要性的預測，采用W參數并根據信道大小對信道進行加權，最終對通道維度的初始特征進行重新校正。SENet的運算量非常小，可以在任意的網絡中任意插入，提高了性能。

2.2.2 空間注意力

空間注意力集中于圖像的空間位置信息，使得網絡對圖像的有效特征進行了詳細分析。它的主要功能是利用大卷積核進行卷積操作，在擴展感知范圍的同時，對物體的空間位置信息進行優化，從而實現對目標的精確定位?？臻g注意力的模式結構如圖7中所顯示，首先，在輸入的特征曲線F上，沿信道軸線對同一位置的像素進行最大的池化并平均，從而獲得兩幅H×W×1的特征圖，再用7×7的卷積運算和Sigmoid激活功能，從而生成空間注意力MS［11］。

2.3 改進的YOLOX-S網絡結構

YOLOX-S算法的網絡結構較為復雜，大致分為3個部分，包括主干特征提取網絡CSPDarknet，它在特征提取上有重要的作用，然后是加強特征提取網絡FPN，特征提取后進行加強，最后是分類器與回歸器YOLO head。首先會對輸入進來的圖片進行resize的處理，采用Focus網絡結構進行特征抽取，在抽取圖像時，會對圖像進行高、寬的壓縮，同時增加通道數量。然后，使用Resblock body的結構進行特征提取。這里一共使用4次Resblock body的結構。先選取一個3×3的濾波器，通過濾波器對輸入的層進行寬和高不同通道的壓縮，對通道進行調整。在第4次的結構中加入了SPP結構，即使用不同池化和的不同池化進行特征提取，如圖6中的3個池化和分別為5、9、13。在使用卷積方法來減少通道數目之前，進行池化后得到了一個結果，然后將這個結果進行迭代。主干特征提取網絡CSPDarknet起到重要作用，經過它可以得到3個有效特征層，對玉米病害的RGB三色圖進行3、4、5次壓縮，結果的shape分別為（80×80×256）、（40×40×512）、（20×20×1 024）。然后會利用這3個有效特征層進行加強特征提取網絡的構建［12］。在加強特征提取網絡中，本質上是進行特征融合，在融合的過程中，會出現上下取樣的特征融合。采用CSPDarknet和 FPN技術，在卷積學習過程中得到3種不同的有效特征層。將各特征點視為一系列有通道數的特征點，用YOLO-s頭判定所述特征點，并判定所述特征點是否存在對象與所述特征點相對應。所以，YOLOX-S網絡的整體工作是提取特征點，強化特征點，并對特征點所對應的目標狀態進行預測。改進YOLOX-S目標檢測算法模型融合了4個注意力機制模塊，在骨干網絡提取出來3個有效特征層，然后分別加入了注意力機制，同時在采樣后的結果加入注意力機制，加入的注意力機制均為CBAM模塊。改進后的YOLOX-S網絡結構如圖8所示。

2.4 特征提取與特征融合

首先，利用CSPDarknet對玉米病害圖像進行一次特征提取，提取的圖像特征命名為“特征層”，即圖像的特征集合。在骨干中，獲取了3個特征層，用于下一步網絡的構建，這3個特征層稱之為“有效特征層”；還使用了Focus網絡結構，具體的操作：在一幅圖像中，每個像素獲取1個數值，得到4個單獨的特征層，再疊加4個特征層，寬、高信息就會聚集在通道信息上，而輸入通道則擴大了4倍。然后進行卷積和一系列剩余結構的計算。殘差分為主干和側枝，主干枝為1×1的卷積，再進行3×3的卷積，其余的殘差不用任何加工，直接相加。BN層就像是Resnet上的殘差值，有效地解決了由于深度加深而導致的梯度消失、梯度爆炸等問題［13］。

在YOLOX-S的網絡模型中 加強特征提取網

絡是FPN，在網絡主要部分中采集到的3個有效的特征層會在該區域中進行特征的融合，從而達到對各種特征的綜合。在 FPN部分，利用已有的特征層來進行后續的特征抽取，然后將不同類型的特征層進行特征融合，由上到下將上層的特征信息進行上取樣，然后進行下取樣，輸出3個 YOLO? Head。

2.5 結果預測

該方法利用神經網絡的head部分對圖像結果進行預測，將神經網絡中的每一幅圖像分成S×S網格，然后根據這些S×S網格來檢測網絡中的各個節點。如果目標的中心在網格中，那么每個網格就會有B個矩形的邊界（x，y，w，h）和它們的可信度，并進行分類。置信度是由網格中被檢測物體的結果［0，1］的公式（1）限定。0表示最小置信值，1表示最大置信值。

Confidence=Pr（Object）×IoUtruthpred，Pr（Object）∈［0，1］。（1）

3 環境配置

本研究的所有試驗都是在Windows 10的操作系統下進行的，采用Intel Xeon CPU E5-2650v4的處理器，使用2張NVIDIA GeForce RTX 2080Ti的GPU進行交火，效果大于1張GPU的效率，并配備64 GB的運行內存。環境配置時會通過使用CUDA 10.2和cuDNN 7.6.4來加速模型訓練。本研究以Python 3.7為主要語言，并在此基礎上安裝了諸如Numpy 1.20.1、PyQt5等的深度學習運算程序，建立了一套基于Pytorch的深度學習網絡模型，并對其進行了相應的優化。

4 評價標準

YOLOX-S算法可以利用精準率（P）、召回率（R）與F1值來評估評價模型的性能。其中，精確率、召回率和F1值越高，說明模型的性能越好，具體計算公式如下。

P=TPTP+FP×100%；（2）

R=TPTP+FN×100%；（3）

F1=2×P×RP+R。（4）

式中：TP表示玉米病害樣本正確識別圖片數量；FP表示玉米病害樣本錯誤識別圖片數量；FN表示未檢測到的玉米病害樣本圖片數量，張。平均精度（AP）衡量模型在玉米病害圖像4個類別上訓練的好壞，類平均精度（mAP）衡量訓練出來的模型在玉米病害圖像4個類別上的好壞。AP和mAP計算公式如下：

AP=∫10P（R）dR；（5）

mAP=∑ki=1APik。（6）

利用AP公式求出mAP，AP代表精確率、召回率與坐標軸所圍繞圖像的面積，所有類別的AP就是mAP。圖9為YOLOX-S算法中玉米病害葉片的mAP曲線圖，本次試驗目標檢測算法模型對玉米病害識別的類平均精度可達98.54%，一般有精確率和召回率作為評價指標，其中玉米病害的P-R曲線如圖10所示。

4.1 基于通道和空間注意力機制的改進網絡

改進后的YOLOX-S模型進行如下的操作：首先將玉米病害葉片圖像進行不同規模的卷積操作，這里包括卷積和池化，在CSPDarknet后面生成3個有效特征層，并將3個注意力機制模塊分別添加到下采樣的結果中，同時在SPPBottleneck上采樣后的結果中加入一個注意力機制模塊，加入的4個注意力機制模塊均為CBAM，且加入的位置也不一樣，CBAM是一種特殊的注意力機制，將通道注意力和空間注意力機制相結合，通過使用不同的權重來調整信息的重要性，將重點信息乘以較高的權重，強調其重要性，這是一種加強版的注意力機制。在此基礎上，采用了基于最大平均和最大池化的計算方法，將所得到的2種結果進行相加，得到各通道的權重（0～1）。在得到該權重后，將該權重乘以原來的特征層，從而實現了對通道注意力機制的分離。CBAM的下半部分是空間注意力機制，在每個特征點的通道中，對每個特征點的通道進行最大值和平均。然后將這2種方法疊加在一起，先通過一次通道1的卷積來調節通道數目，再得到一個Sigmoid，得到每個特征點的權重（0～1）。在得到該權重之后，將該權重與原始的輸入特征層相乘［14］。圖11顯示了添加注意力機制前后的例子的比較檢測圖，圖12是添加了注意力機制的 mAP圖。

4.2 與經典算法的比較

為探究實時檢測的檢測方法，本研究還訓練了YOLO v3、YOLO v4、Faster R-CNN網絡與該模型性能進行對比，每種模型都訓練了150個以上的epoch，并且都達到了最大程度的收斂。本研究改進的模型為YOLOX-S-C，圖13展示了4種模型的P-R曲線，可以看出，在同一精確率下改進后的YOLOX-S-C召回率要高于其他3種網絡模型。同樣，在同一召回率下，改進后的YOLOX-S-C的精度要高于其他網絡模型。

在測試集上4種不同網絡的檢測性能結果如表2所示，可以看出，在訓練性能方面，YOLOX-S-C比其他3種模型的損失值都要低，這表明了YOLOX-S網絡模型的收斂效果更好，性能有了明顯提高。在檢測性能方面，不論是F1值，還是交并比（IoU）、mAP，改進后的YOLOX-S-C的值都要高于其他3種網絡模型。充分說明了該模型的召回率、精確率以及模型的識別效果都更優。

為檢驗該模型的有效性和局限性，采用同一張圖片對不同的模型進行試驗測試，檢測結果如圖14所示。從圖14可以很明顯看出，改進后的模型YOLOX-S-C的置信度為0.97，YOLO v4的置信度為0.95，Faster R-CNN的置信度為0.92，YOLO v3的置信度為0.90，加入注意力機制之后的網絡模型識別效果最佳，該模型具有較高的識別準確率，并且具有較好的泛化性能。

5 華為開發板Atlas 200DK及其應用

Atlas 200DK開發者套件 Atlas 200 Developer Kit（以下簡稱Atlas 200DK）是一個開發者板形態產品，它以昇騰310 AI處理器為核心，為開發者提供一站式開發套件，并幫助開發者進行AI應用程序的快速開發［15］。

5.1 開發平臺介紹

Atlas 200DK的實物如圖15所示。

Atlas 200DK的系統框圖如圖16所示。

Atlas 200DK的加速模塊具有較強的 AI智能運算能力，能夠對圖像、視頻等進行各種數據的處理和推理。其中，Hi3559 Camera模塊為圖像/音頻接口模塊，用于進行圖像和音頻的采集和處理。Atlas 200DK提供了USB網卡與NIC網卡，開發者可通過USB網卡與用戶PC機進行直連通信，可通過NIC網卡將Atlas 200DK接入互聯網。其中，192.168.0.2這個IP地址是Atlas 200DK中USB網卡默認的，而192.168.1.2這個IP地址是NIC網卡的默認，二者有一定的不同。

5.2 運行環境搭建

5.2.1 制作Atlas 200DK開發板啟動盤

通過SD卡制作功能可以自行制作Atlas 200DK開發者板的系統啟動盤，完成Atlas 200DK操作系統及驅動固件的安裝。將 SD卡插入讀卡器，并將其與使用者 PC的 USB接口相連接，再利用制卡腳本來完成SD卡的制作。 制卡之前需要進行硬件和軟件包的準備，硬件需要準備1張SD卡，容量為64 G，制作過程中將會對SD卡做格式化處理。

在官網下載Ubuntu操作系統的鏡像程序包與開發者板驅動包，首先在Ubuntu操作系統的根目錄安裝軟件運行的交叉編譯器，配置好相應的環境，然后再創建好制卡工作目錄，接下來將獲取的Ubuntu操作系統鏡像包、開發者板驅動包上傳到剛才的制卡工作目錄中，然后下載“make_sd_card.py”的制卡口腳本，執行制卡指令，python3 make_sd_card.py local /dev/sda為執行命令，其中“local”是以本地的方法生成 SD卡；“/dev/sda”是在終端上顯示“Make SD Card successfully！”時，SD卡所在 USB裝置的名字。SD卡制卡成功時終端回顯信息如圖17所示。

完成制卡后，將SD卡插入 Atlas 200 DK開發板卡槽，進行通電，上電過程中要注意指示燈陸續全部點亮，在第1次開機時會進行固件的升級，升級完成后會自動進行重啟的操作。

5.2.2 配置網絡連接

使用USB連線將Atlas 200DK與主機Ubuntu系統進行連接，數據線進行傳輸數據信息，二者互相通信的前提是必須將USB網卡的IP 地址配置在同一網段，從而可以在PC機上SSH登錄到Atlas 200DK；然后開發板通過網線接入路由器插口，并配置開發板的獲取方式為DHCP，使其可以接入互聯網。

5.3 開發環境搭建

5.3.1 配置Ubuntu X86系統

開發套件包安裝前需要下載相關依賴軟件，必須用root用戶執行以下操作，為非root用戶賦權，以root用戶執行apt-get install sudo命令安裝sudo，然后打開“/etc/sudoers”文件，添加最后1行為“includedir /etc/sudoers.d”，添加完成后進行保存，然后安裝python依賴以及gcc等軟件。

5.3.2 MindStudio與Atlas 200DK的連接

首先需要配置好MindStudio的運行環境，配置好以后需進行試運行，接著需要打開路由器，將開發板通過網線與路由器相連接，并把USB數據線與主機連接，實現數據通訊，然后給開發板上電，等指示燈陸續亮起以后，可實現整體與MindStudio通訊，開發板的IP地址是192.168.1.2，MindStudio的端口號表示默認即可，本次試驗的端口號默認為22，在第1次登錄時候需要設置密碼PASSWORD，統一密碼為Mind123456，到現在整個環境搭建連接成功。圖18為華為開發板與MindStudio連接成功界面。

5.4 玉米病害識別在Atlas 200DK上的實現

第1步，登錄Ubuntu系統，進入根目錄，然后用 scp 命令將待檢測的玉米病害圖像上傳至華為開發板中對應的工程文件目錄；

第2步，打開MobaXterm遠程登錄軟件，然后使用ssh 命令訪問華為開發板；

第3步，進入到開發板內部，找到所對應的工程文件，執行運行程序的源文件；

第4步，通過 scp 命令將最終的檢測結果拷貝至主機，完成對圖片標注結果的查看。

下面是對玉米病害識別做的對比試驗，把玉米病害葉片待檢測圖片先放到GPU目標檢測算法中，運行程序，查看識別效果，查看標記框位置，查看置信度，然后原圖像上傳到Atlas 200DK開發板中，運行檢測目標，生成檢測結果，再次使用scp命令將檢測結果傳送到Ubuntu主機上，與之前的GPU檢測后的圖像做對比，發現識別效果相同，置信度完全一樣，說明此次試驗效果很好，試驗成功，完成了玉米葉片病害識別在Atlas 200DK上的總體設計開發與應用，玉米葉片病害的原圖像、GPU目標檢測算法的檢測結果、Atlas 200DK上的檢測結果如圖19所示。

6 結論

本研究提出了一種改進型YOLOX-S目標檢測模型，實現了對玉米病害葉片的目標檢測，通過對多種注意力機制的對比，選擇了CBAM注意力機制，將其融合到YOLOX-S中，增大了感受野，對應的權重也會有所增加，提高了檢測效果，并與其他幾種目標檢測算法做了對比試驗，使得mAP上升到較高的水平，改進后的YOLOX-S模型的mAP提升了約0.2百分點。

將改進后的YOLOX-S目標檢測算法移植到Atlas 200DK中，基于開發板的特性以及相關的計算屬性，完成了玉米葉片病害的檢測，并對其效果進行了測試，與GPU開發測試效果完全一樣，實現了目標檢測算法的移植，可以發現GPU算法移植到Atlas 200DK上依然發揮良好的檢測性能。

參考文獻：

［1］邊柯橙. 基于深度學習的玉米常見病害圖像識別研究及應用［D］. 蘭州：蘭州財經大學，2021.

［2］Hasan M M，Chopin J P，Laga H，et al. Detection and analysis of wheat spikes using convolutional neural networks［J］. Plant Methods，2018，14（1）：1-13.

［3］Chen R C. Automatic license plate recognition via sliding-window darknet-YOLO deep learning［J］. Image and Vision Computing，2019，87：47-56.

［4］畢春光，王金龍，胡 楠，等. 基于貝葉斯神經網絡的玉米病害預警模型［J］. 吉林農業大學學報，202 3（2）：189-195.

［5］毛彥棟，宮 鶴. 基于SVM和DS證據理論融合多特征的玉米病害識別研究［J］. 中國農機化學報，2020，41（4）：152-157.

［6］Atila ，Uar M，Akyol K，et al. Plant leaf disease classification using EfficientNet deep learning model［J］. Ecological Informatics，2021，61：101182.

［7］Cao S H，Xu D A，Hanif M，et al. Genetic architecture underpinning yield component traits in wheat［J］. Theoretical and Applied Genetics，2020，133（6）：1811-1823.

［8］Ferentinos K P. Deep learning models for plant disease detection and diagnosis［J］. Computers and Electronics in Agriculture，2018，145：311-318.

［9］胡志偉，楊 華，黃濟民，等. 基于注意力殘差機制的細粒度番茄病害識別［J］. 華南農業大學學報，2019，40（6）：124-132.

［10］趙 越. 基于深度學習田間麥穗檢測計數方法研究［D］. 天津：天津農學院，2021.

［11］洪敏杰，吳 剛，劉星辰，等. 基于注意力機制的肺結節檢測算法［J］. 計算機工程與設計，202 2（1）：83-88.

［12］Militante S V，Gerardo B D，Dionisio N V. Plant leaf detection and disease recognition using deep learning［C］//2019 IEEE Eurasia Conference on IOT，Communication and Engineering （ECICE）. Yunlin，Taiwan，China：IEEE，2019：579-582.

［13］張開興，呂高龍，賈 浩，等. 基于圖像處理和BP神經網絡的玉米葉部病害識別［J］. 中國農機化學報，2019，40（8）：122-126.

［14］楊蜀秦，王 帥，王鵬飛，等. 改進YOLOX檢測單位面積麥穗［J］. 農業工程學報，2022，38（15）：143-149.

［15］汪蘇平. 基于華為芯片的人臉屬性識別［D］. 南京：東南大學，2021.