基于CSJMM-AS-GAC 的馬陸葡萄病蟲(chóng)害識(shí)別研究

王興旺，鄭漢垣，王素青

（1. 上海農(nóng)林職業(yè)技術(shù)學(xué)院，上海 201699；2. 上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院，上海 200444；3. 上海馬陸葡萄研究所，上海 201818）

馬陸葡萄產(chǎn)于上海嘉定區(qū)馬陸鎮(zhèn)，于1981年開(kāi)始種植，“馬陸”品牌已經(jīng)通過(guò)了上海市優(yōu)質(zhì)農(nóng)產(chǎn)品認(rèn)證并獲得優(yōu)質(zhì)葡萄評(píng)比“金獎(jiǎng)”，深受消費(fèi)者的喜愛(ài)[1-3]。2022 年，馬陸葡萄銷(xiāo)售價(jià)格約80 元/kg，個(gè)別品種可達(dá)160 元/kg，在上海的種植面積約330 hm2，其特色品種巨峰、玫瑰香等在全國(guó)種植面積可達(dá)40萬(wàn)hm2。馬陸葡萄果粉厚，果肉軟，汁多味甜，是地理標(biāo)志登記保護(hù)農(nóng)產(chǎn)品。長(zhǎng)期以來(lái)，馬陸葡萄深受病蟲(chóng)害問(wèn)題的困擾，常見(jiàn)病蟲(chóng)害多達(dá)60 余種，病蟲(chóng)害的發(fā)生和防控不及時(shí)造成了馬陸葡萄產(chǎn)量和品質(zhì)的下降[4-7]。由于馬陸葡萄病蟲(chóng)害圖像背景復(fù)雜，存在邊界模糊和凹陷問(wèn)題，常用的病蟲(chóng)害識(shí)別模型無(wú)法對(duì)馬陸葡萄病蟲(chóng)害進(jìn)行準(zhǔn)確識(shí)別，需要病蟲(chóng)害專家到現(xiàn)場(chǎng)進(jìn)行人工判斷，這一現(xiàn)狀降低了病蟲(chóng)害防控工作效率，束縛了馬陸葡萄產(chǎn)業(yè)的發(fā)展[8-10]。

科研人員在病蟲(chóng)害識(shí)別模型和識(shí)別方法層面開(kāi)展了大量的研究工作。王春山等[11]在ResNet 的基礎(chǔ)上進(jìn)行創(chuàng)新，建立一種Multi-scale ResNet 病害識(shí)別模型并應(yīng)用于蔬菜葉部病害識(shí)別，Multi-scale ResNet 識(shí)別模型較好地提升了識(shí)別準(zhǔn)確率；楊森等[12]通過(guò)對(duì)馬鈴薯病害識(shí)別進(jìn)行深入研究，建立了一種將深度學(xué)習(xí)與復(fù)合字典相結(jié)合的識(shí)別方法，該方法可以有效地降低識(shí)別誤差。常用的病蟲(chóng)害識(shí)別模型對(duì)馬陸葡萄病蟲(chóng)害識(shí)別誤差較大，識(shí)別準(zhǔn)確率不夠理想[13-15]。鑒于此，從動(dòng)態(tài)系數(shù)函數(shù)、損失函數(shù)、監(jiān)督機(jī)制等幾個(gè)方面進(jìn)行研究，建立了一種基于Core-Softmax 聯(lián)合監(jiān)督機(jī)制的精確分割測(cè)地線活動(dòng)輪廓模型（CSJMM-AS-GAC），以提高病蟲(chóng)害識(shí)別效率。

1 材料和方法

1.1 數(shù)據(jù)獲取與處理

病蟲(chóng)害圖像主要通過(guò)以下途徑獲?。孩偕虾ｑR陸葡萄種植基地人工獲取。研究人員于2019 年3月至2021 年3 月在上海馬陸葡萄種植基地利用高清數(shù)碼相機(jī)[佳能（Canon）Power Shot G7 X Mark ⅡG7X2]等設(shè)備對(duì)馬陸葡萄病蟲(chóng)害圖像進(jìn)行拍攝。②上海大學(xué)數(shù)字農(nóng)業(yè)課題研究團(tuán)隊(duì)與上海農(nóng)林職業(yè)技術(shù)學(xué)院病蟲(chóng)害專家多年的果樹(shù)病蟲(chóng)害圖像數(shù)據(jù)積累。③上海馬陸葡萄研究所病蟲(chóng)害防控工作中獲取的馬陸葡萄病蟲(chóng)害圖像數(shù)據(jù)。④在Plant Village 官方網(wǎng)站獲取的果樹(shù)病蟲(chóng)害圖像數(shù)據(jù)。病蟲(chóng)害圖像數(shù)據(jù)以馬陸葡萄病蟲(chóng)害圖像為主，同時(shí)為了增強(qiáng)研究的可擴(kuò)展性以及滿足模型的訓(xùn)練需求，還包含了梨、蘋(píng)果、草莓、柑橘、杧果、石榴等多種作物的病蟲(chóng)害圖像。對(duì)馬陸葡萄隨機(jī)抽取的病蟲(chóng)害圖像數(shù)據(jù)樣本如圖1和圖2所示。

圖1 馬陸葡萄蟲(chóng)害圖像數(shù)據(jù)樣本Fig.1 Image data sample of Malu grape pests

圖2 馬陸葡萄病害圖像數(shù)據(jù)樣本Fig.2 Image data sample of Malu grape diseases

馬陸葡萄病蟲(chóng)害圖像數(shù)據(jù)主要包括葡萄白粉病、葡萄大褐斑病、葡萄白腐病、葡萄炭疽病等36種病害和葡萄癭蚊、煙薊馬、旋目夜蛾、小造橋夜蛾等32 種蟲(chóng)害。為了防止由于病蟲(chóng)害樣本數(shù)據(jù)量不足引起的模型過(guò)擬合現(xiàn)象，研究人員對(duì)病蟲(chóng)害圖像進(jìn)行了擴(kuò)充操作，主要包括圖像縮放、改變光線對(duì)比度、圖像平移、圖像翻轉(zhuǎn)等，共獲取病蟲(chóng)害圖像95 642 張。其中訓(xùn)練數(shù)據(jù)占總數(shù)據(jù)量的60%，用于模型訓(xùn)練；驗(yàn)證數(shù)據(jù)占總數(shù)據(jù)量的20%，用于對(duì)模型進(jìn)行修正；測(cè)試數(shù)據(jù)占總數(shù)據(jù)量的20%，用于對(duì)模型的泛化能力進(jìn)行評(píng)估。由于病蟲(chóng)害圖像的分辨率不同，格式不統(tǒng)一，為了方便模型訓(xùn)練時(shí)圖像分類(lèi)輸入，研究人員使用Java 程序設(shè)計(jì)語(yǔ)言自行編寫(xiě)程序?qū)⒉∠x(chóng)害圖像統(tǒng)一轉(zhuǎn)換為224 像素×224 像素格式。

1.2 AS-GAC模型建立

測(cè)地線活動(dòng)輪廓模型（GAC）是病蟲(chóng)害圖像識(shí)別的經(jīng)典模型，該模型的泛函表示如下：

公式（1）中，L（C）表示馬陸葡萄病蟲(chóng)害圖像閉合輪廓線長(zhǎng)度，g表示邊緣停止函數(shù)，?I表示馬陸葡萄病蟲(chóng)害圖像梯度，C(s)表示馬陸葡萄病蟲(chóng)害圖像閉合曲線，s表示馬陸葡萄病蟲(chóng)害圖像閉合曲線弧長(zhǎng)參數(shù)。

邊緣停止函數(shù)定義為：

公式（2）中，?Gσ*I表示馬陸葡萄病蟲(chóng)害圖像平滑處理結(jié)果，p表示常數(shù)，Gσ表示高斯核，其標(biāo)準(zhǔn)差為σ，*表示卷積，I表示馬陸葡萄病蟲(chóng)害圖像。

利用GAC 模型進(jìn)行分割時(shí)，邊緣停止函數(shù)可以指導(dǎo)輪廓曲線向馬陸葡萄病蟲(chóng)害圖像目標(biāo)邊界靠近，并最終停止在馬陸葡萄病蟲(chóng)害圖像目標(biāo)邊界上，GAC 可以對(duì)馬陸葡萄病蟲(chóng)害圖像進(jìn)行分割與識(shí)別，從而采用相應(yīng)措施對(duì)馬陸葡萄病蟲(chóng)害進(jìn)行防控，該模型對(duì)于提升馬陸葡萄的產(chǎn)量和品質(zhì)有一定的幫助作用。

馬陸葡萄病蟲(chóng)害圖像復(fù)雜，圖像分割邊界模糊且存在凹陷現(xiàn)象，容易受到噪聲污染，GAC 對(duì)馬陸葡萄病蟲(chóng)害圖像分割結(jié)果有誤差、識(shí)別不夠準(zhǔn)確，沒(méi)有達(dá)到馬陸葡萄病蟲(chóng)害防控和生產(chǎn)要求。為了解決馬陸葡萄病蟲(chóng)害識(shí)別不準(zhǔn)確問(wèn)題，對(duì)GAC 模型進(jìn)行改進(jìn)，引入動(dòng)態(tài)系數(shù)函數(shù)將馬陸葡萄病蟲(chóng)害圖像邊界區(qū)域與非邊界區(qū)域進(jìn)行精確劃分從而準(zhǔn)確分割病蟲(chóng)害圖像模糊和凹陷邊界，實(shí)現(xiàn)對(duì)馬陸葡萄病蟲(chóng)害的準(zhǔn)確識(shí)別，提出并建立了精確分割測(cè)地線活動(dòng)輪廓模型（AS-GAC）。

定義動(dòng)態(tài)系數(shù)函數(shù)λ(I)為：

公式（11）中，C表示馬陸葡萄病蟲(chóng)害圖像的分割曲線，s表示馬陸葡萄病蟲(chóng)害圖像弧的長(zhǎng)度，Ω 表示馬陸葡萄病蟲(chóng)害圖像定義區(qū)域。引入動(dòng)態(tài)系數(shù)函數(shù)λ（I）后，曲線可以實(shí)現(xiàn)對(duì)待分割識(shí)別的馬陸葡萄病蟲(chóng)圖像包圍，動(dòng)態(tài)調(diào)整收縮或者擴(kuò)張曲線，直到準(zhǔn)確鎖定待分割識(shí)別的病蟲(chóng)圖像，實(shí)現(xiàn)準(zhǔn)確識(shí)別。

1.3 CSJMM-AS-GAC模型建立

1.3.1 Core 損失函數(shù) 對(duì)于復(fù)雜背景下的馬陸葡萄病蟲(chóng)害識(shí)別，圖像識(shí)別過(guò)程中無(wú)法收集到所有可能出現(xiàn)的數(shù)據(jù)，針對(duì)數(shù)據(jù)量不充足問(wèn)題，提出Core損失函數(shù)，如公式（13）所示：

通過(guò)CSJMM，AS-GAC 的魯棒性得到加強(qiáng)，從而得到了CSJMM-AS-GAC。CSJMM 如公式（15）所示：

1.3.4 CSJMM-AS-GAC 實(shí) 現(xiàn) 步 驟 CSJMM-ASGAC 的實(shí)現(xiàn)步驟如圖3 所示。CSJMM-AS-GAC 首先讀取馬陸葡萄病蟲(chóng)害圖像I，然后利用高斯平滑函數(shù)對(duì)馬陸葡萄病蟲(chóng)害圖像進(jìn)行平滑處理，接下來(lái)計(jì)算新邊緣停止函數(shù)gnew并構(gòu)造能量函數(shù)EAS-GAC，模型完成求解梯度下降流函數(shù)后對(duì)水平集曲線進(jìn)行演化，得到馬陸葡萄病蟲(chóng)害圖像分割識(shí)別結(jié)果，判斷水平集曲線與馬陸葡萄病蟲(chóng)害圖像是否重合，如果重合，則完成馬陸葡萄病蟲(chóng)害圖像分割識(shí)別，將結(jié)果輸出，否則重新計(jì)算新邊緣停止函數(shù)gnew。

圖3 CSJMM-AS-GAC實(shí)現(xiàn)步驟流程Fig.3 Flow chart of CSJMM-AS-GAC implementation steps

1.4 模型評(píng)價(jià)指標(biāo)

考慮到病蟲(chóng)害識(shí)別精度和識(shí)別成功率將直接影響病蟲(chóng)害的防控效率，因此，對(duì)馬陸葡萄病蟲(chóng)害識(shí)別模型的性能評(píng)價(jià)采用Kappa 系數(shù)法、召回率（Recall rate）等，Kappa 系數(shù)用來(lái)評(píng)價(jià)馬陸葡萄病蟲(chóng)害圖像的識(shí)別精度，召回率用來(lái)評(píng)價(jià)馬陸葡萄病蟲(chóng)害圖像識(shí)別成功率，如公式（23）、（24）、（25）所示：

公式中，Aˉ表示正確分類(lèi)的樣本數(shù)量之和除以總樣本數(shù)，rn表示第n類(lèi)樣本個(gè)數(shù)，fn表示第n類(lèi)預(yù)測(cè)樣本個(gè)數(shù)，Q表示樣本總數(shù)，Vn表示識(shí)別成功的病蟲(chóng)害圖像集合，Wn表示識(shí)別失敗的病蟲(chóng)害圖像集合。

1.5 軟硬件環(huán)境

試驗(yàn)軟硬件環(huán)境為，服務(wù)器：Red Hat Enterprise Linux 8.5 正式版構(gòu)建的云服務(wù)器平臺(tái)；RAM：256 G，CPU：雙核Intel Core i7-9800X；硬盤(pán)：6×4T固態(tài)硬盤(pán)；顯卡：6×微星（MSI）GeForce GTX 1050 Ti。

2 結(jié)果與分析

2.1 模型性能測(cè)試結(jié)果

將CSJMM-AS-GAC 與卷積神經(jīng)網(wǎng)絡(luò)（CNN）、深度殘差網(wǎng)絡(luò)（ResNet）、支持向量機(jī)（SVM）、測(cè)地線活動(dòng)輪廓模型（GAC）等4種模型在訓(xùn)練集初始準(zhǔn)確率、驗(yàn)證集準(zhǔn)確率、測(cè)試集準(zhǔn)確率、Kappa系數(shù)、召回率5 個(gè)方面進(jìn)行了比較，結(jié)果如表1 所示。CSJMMAS-GAC 訓(xùn)練集初始準(zhǔn)確率為65.46%，驗(yàn)證集準(zhǔn)確率為95.67%，測(cè)試集準(zhǔn)確率為93.95%，相對(duì)于GAC分別提升了10.44%、9.35%、3.06%，在5 種模型中達(dá)到最優(yōu)，表明對(duì)于GAC 引入動(dòng)態(tài)系數(shù)函數(shù)的改進(jìn)和建立Core-Softmax 聯(lián)合監(jiān)督機(jī)制的效果是顯著的；CSJMM-AS-GAC 的Kappa 系數(shù)最大，達(dá)到0.913 8，該模型對(duì)病蟲(chóng)害識(shí)別精度是最佳的；CSJMM-ASGAC 的召回率為89.21%，病蟲(chóng)害識(shí)別成功率最高。綜上，CSJMM-AS-GAC 可以更高效、更準(zhǔn)確地完成馬陸葡萄病蟲(chóng)害識(shí)別工作。

表1 5種模型的病蟲(chóng)害識(shí)別性能比較Tab.1 Comparison of pest identification performance of five models

將5 種模型從Top1 準(zhǔn)確率（正確標(biāo)記的樣本數(shù)是最佳概率的樣本數(shù)除以總樣本數(shù)）、Top5 準(zhǔn)確率（正確標(biāo)記的樣本數(shù)包含在前5 名最高分類(lèi)概率個(gè)數(shù)除以總樣本數(shù)）、F1分?jǐn)?shù)（精度和召回率的調(diào)和平均值）、迭代次數(shù)、FPS（每秒識(shí)別病蟲(chóng)害圖像張數(shù)）進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，結(jié)果如表2 所示。CSJMM-AS-GAC的Top1、Top5 準(zhǔn)確率分別達(dá)到79.68%、95.32%，在5種模型中均達(dá)到最大值，該模型能夠更好地提取不同類(lèi)型的病蟲(chóng)害特征，具有最佳的病蟲(chóng)害分類(lèi)識(shí)別效果；CSJMM-AS-GAC 的F1分?jǐn)?shù)達(dá)到91.28，領(lǐng)先于其他4 種模型，該模型的綜合表現(xiàn)達(dá)到最優(yōu)；CSJMM-AS-GAC 的FPS 達(dá)到67 張/s，相對(duì)于CNN、ResNet、SVM 的識(shí)別速度分別提升了45.65%、76.32%、36.73%，比GAC 的識(shí)別速度略有下降；CSJMM-AS-GAC 在迭代300 次后達(dá)到收斂狀態(tài)，其他模型還沒(méi)有完全收斂，說(shuō)明CSJMM-AS-GAC 的訓(xùn)練速度快，魯棒性強(qiáng)。

表2 5種模型的病蟲(chóng)害分類(lèi)識(shí)別結(jié)果比較Tab.2 Comparison of pest classification and recognition results of five models

2.2 病蟲(chóng)害識(shí)別分類(lèi)檢驗(yàn)結(jié)果

利 用CNN、ResNet、SVM、GAC、CSJMM-ASGAC 5種模型對(duì)葡萄霜霉病、葡萄大褐斑病、葡萄炭疽病3 種病害和葡萄癭蚊、旋目夜蛾、小造橋夜蛾3種蟲(chóng)害進(jìn)行圖像識(shí)別，結(jié)果如表3 所示。CNN、ResNet、SVM、GAC、CSJMM-AS-GAC 5 種模型對(duì)葡萄霜霉病、葡萄大褐斑病、葡萄炭疽病、葡萄癭蚊、旋目夜蛾、小造橋夜蛾的平均識(shí)別準(zhǔn)確率分別是71.54%、69.93%、73.83%、85.45%、94.06%，CSJMMAS-GAC 的病蟲(chóng)害平均識(shí)別準(zhǔn)確率相對(duì)于CNN、ResNet、SVM、GAC 4 種模型分別提高了31.48%、34.51%、27.40%、10.08%，提升效果較為明顯，說(shuō)明對(duì)于GAC 模型的改進(jìn)和損失函數(shù)的創(chuàng)新效果是顯著的。

表3 不同模型識(shí)別準(zhǔn)確率比較Tab.3 Comparison of recognition accuracy of different models %

從測(cè)試數(shù)據(jù)集中隨機(jī)抽取12 種蟲(chóng)害圖像和12種病害圖像進(jìn)行5種模型的識(shí)別試驗(yàn)，結(jié)果如圖4和圖5 所示。其中，矩形清晰圖像表示正確識(shí)別的圖像（如圖4 中CNN 的樣本2 圖像），柔化邊緣橢圓圖像表示識(shí)別錯(cuò)誤圖像（如圖4 中CNN 樣本1 圖像）。在24 個(gè)隨機(jī)樣本病蟲(chóng)害識(shí)別試驗(yàn)中，CNN 識(shí)別錯(cuò)誤圖像為7 張，ResNet 識(shí)別錯(cuò)誤圖像為8 張，SVM 識(shí)別錯(cuò)誤圖像為6 張，GAC 識(shí)別錯(cuò)誤圖像為4張，CSJMM-AS-GAC 識(shí)別錯(cuò)誤圖像為2 張，綜合圖4 和圖5 的試驗(yàn)結(jié)果，ResNet 的識(shí)別錯(cuò)誤率最高，CSJMM-AS-GAC 的識(shí)別錯(cuò)誤率最低，說(shuō)明CSJMMAS-GAC 對(duì)于隨機(jī)病蟲(chóng)害圖像識(shí)別正確率高，該模型的病蟲(chóng)害識(shí)別魯棒性和泛化能力較強(qiáng)。

圖4 馬陸葡萄蟲(chóng)害隨機(jī)樣本識(shí)別結(jié)果Fig.4 Identification results of random samples of Malu grape pests

圖5 馬陸葡萄病害隨機(jī)樣本識(shí)別結(jié)果Fig.5 Identification results of random samples of Malu grape diseases

2.3 模型在馬陸葡萄生產(chǎn)上的應(yīng)用效果

2021 年3—9 月，在上海馬陸葡萄種植基地將模型應(yīng)用于葡萄實(shí)際生產(chǎn)中，在種植基地劃分出面積大小相同的5 個(gè)大棚，每個(gè)大棚應(yīng)用不同的病蟲(chóng)害識(shí)別模型進(jìn)行管理，根據(jù)病蟲(chóng)害識(shí)別模型的識(shí)別結(jié)果采取相應(yīng)的防控措施，如噴灑相應(yīng)藥劑等。蟲(chóng)害和病害的防控效果分別如表4和表5所示。

從表4 可以看出，CNN、ResNet、SVM、GAC、CSJMM-AS-GAC 5 種病蟲(chóng)害識(shí)別模型對(duì)蟲(chóng)害的識(shí)別準(zhǔn)確率分別為71.48%、68.65%、72.56%、83.62%、94.54%，根據(jù)不同的識(shí)別結(jié)果采取相應(yīng)的防控措施，如模型識(shí)別出葡萄二星葉蟬，則噴灑殺滅菊酯或菊酯乳油等藥劑進(jìn)行防控。不同防控措施的蟲(chóng)口減退率也不同，CNN、ResNet、SVM、GAC、CSJMMAS-GAC 所對(duì)應(yīng)的蟲(chóng)口減退率分別為76.52%、64.63%、78.24%、88.35%、95.61%，不同的病蟲(chóng)害識(shí)別模型對(duì)于蟲(chóng)口的減退都有一定的效果，CSJMMAS-GAC的蟲(chóng)口減退效果最好。

表4 馬陸葡萄蟲(chóng)害防控效果Tab.4 Control effect of Malu grape pests %

從表5 可以看出，CNN、ResNet、SVM、GAC、CSJMM-AS-GAC 對(duì)應(yīng)的病葉率分別為5.36%、8.96%、4.36%、4.98%、3.36%，可見(jiàn)由于CSJMM-ASGAC 的病害識(shí)別準(zhǔn)確率高，防控措施得當(dāng)，發(fā)生的病葉率也最低。將病葉等級(jí)劃分為6 級(jí)，用W 表示病斑面積除以葉片面積的百分比，W=0 表示0 級(jí)，W≤10%表示1 級(jí)，10%＜W≤30%表示2 級(jí)，30%＜W≤50%表示3 級(jí)，50%＜W≤70%表示4 級(jí)，W＞70%表示5 級(jí)。ResNet 的病情指數(shù)[∑（病葉各等級(jí)葉數(shù)×等級(jí)數(shù)值）/（葉子總數(shù)×6）×100]為16.35，是5個(gè)模型中的最大值，說(shuō)明馬陸葡萄病害相對(duì)嚴(yán)重，CSJMMAS-GAC 的病情指數(shù)為5.86，病害最輕微，與該模型的病蟲(chóng)害識(shí)別率高有直接關(guān)系。CSJMM-AS-GAC的防控效果達(dá)到87.35%，對(duì)馬陸葡萄的病害防控幫助作用最大，效果最好。

表5 馬陸葡萄病害防控效果Tab.5 Control effect of Malu grape diseases

3 結(jié)論與討論

CNN[16-20]、ResNet[21-23]、SVM[24-27]、GAC[28-30]是目前常見(jiàn)的病蟲(chóng)害識(shí)別模型。這些病蟲(chóng)害識(shí)別模型對(duì)于普通的病蟲(chóng)害圖像識(shí)別具有較好的實(shí)用性，但對(duì)于復(fù)雜背景下具模糊和凹陷邊界的馬陸葡萄病蟲(chóng)害圖像識(shí)別不夠準(zhǔn)確。本試驗(yàn)為了解決馬陸葡萄病蟲(chóng)害圖像精確分割問(wèn)題，對(duì)GAC 進(jìn)行改進(jìn)，通過(guò)引入動(dòng)態(tài)系數(shù)函數(shù)將馬陸葡萄病蟲(chóng)害圖像邊界區(qū)域與非邊界區(qū)域進(jìn)行精確劃分，從而實(shí)現(xiàn)精確分割馬陸葡萄病蟲(chóng)害圖像模糊和凹陷邊界，提出并建立了AS-GAC。為了解決馬陸葡萄復(fù)雜背景下訓(xùn)練樣本不足問(wèn)題，提出了Core 損失函數(shù)，建立了Core-Softmax 聯(lián)合監(jiān)督機(jī)制，從而建立了CSJMM-ASGAC。

在馬陸葡萄種植基地對(duì)CSJMM-AS-GAC 進(jìn)行了系列試驗(yàn)和生產(chǎn)應(yīng)用。馬陸葡萄發(fā)生的病蟲(chóng)害主要包括葡萄霜霉病、葡萄大褐斑病、葡萄炭疽病、葡萄癭蚊、旋目夜蛾、小造橋夜蛾等，CSJMM-ASGAC 對(duì)這些病蟲(chóng)害的識(shí)別準(zhǔn)確率分別為96.87%、91.78%、95.28%、93.21%、91.58%、95.65%，平均識(shí)別準(zhǔn)確率達(dá)到94.06%，在5 種病蟲(chóng)害識(shí)別模型中達(dá)到最優(yōu)。經(jīng)過(guò)模型性能測(cè)試，CSJMM-AS-GAC 的Top1 準(zhǔn)確率、Top5 準(zhǔn)確率、F1分?jǐn)?shù)、FPS、Kappa 系數(shù)、召回率等指標(biāo)在所有模型中表現(xiàn)穩(wěn)定且效果好。在馬陸葡萄生產(chǎn)應(yīng)用中，CSJMM-AS-GAC 的蟲(chóng)害識(shí)別準(zhǔn)確率、蟲(chóng)口減退率分別達(dá)到94.54%和95.61%，說(shuō)明該模型對(duì)馬陸葡萄蟲(chóng)害識(shí)別準(zhǔn)確且蟲(chóng)害減退效果最佳。CSJMM-AS-GAC 的病葉率、病情指數(shù)、防控效果分別達(dá)到3.36%、5.86、87.35%，領(lǐng)先于其他模型，說(shuō)明該模型對(duì)馬陸葡萄病害防控效果最突出。下一步的研究重點(diǎn)是不斷對(duì)病蟲(chóng)害識(shí)別模型進(jìn)行優(yōu)化處理，提升病蟲(chóng)害識(shí)別準(zhǔn)確率，加強(qiáng)病蟲(chóng)害防控，服務(wù)農(nóng)業(yè)生產(chǎn)。