摘要:為提高棉花生產和質量,需要對棉花葉片病害進行及時和準確的識別。然而,現(xiàn)有研究方法往往只能處理少數(shù)幾種常見的病害類型,而無法覆蓋更多的病害種類。本研究提出一種基于CNN-XGBoost模型的多類型棉花葉片病害識別方法,該方法能夠識別出21種不同的病害類型,涵蓋了細菌、真菌、病毒、營養(yǎng)缺乏等多種因素導致的病害。首先,收集約1.2萬張棉花葉片病害圖像樣本,構建一個包含多種類型病害的數(shù)據集,對數(shù)據集進行預處理和增強操作,增加數(shù)據的多樣性和難度;其次,設計一個CNN模型,利用卷積層和池化層提取棉花葉片圖像的特征向量,將CNN模型的輸出作為XGBoost模型的輸入,使用XGBoost模型對特征向量進行分類;最后,采用加權交叉熵損失函數(shù)作為優(yōu)化目標,通過反向傳播算法更新CNN模型和XGBoost模型的參數(shù)。結果表明,本研究提出的CNN-XGBoost模型在21種類型棉花葉片病害上都能達到高精度的識別,平均準確率達到0.98,遠高于其他對比方法,為棉花生產者提供了一個實用和高效的植物病害診斷工具,有助于及時發(fā)現(xiàn)和處理棉花葉片病害,從而提高棉花產量。
關鍵詞:CNN-XGBoost;棉花葉片病害;多類型病害;加權交叉熵損失函數(shù)
中圖分類號:TP391.41" 文獻標志碼:A
文章編號:1002-1302(2024)13-0205-09
棉花是世界上最重要的纖維作物之一,也是我國的主要經濟作物之一[1]。棉花的生產和質量受到多種因素的影響,其中,棉花葉片病害是一個重要的制約因素[2]。棉花葉片病害不僅會導致棉花葉片的脫落、枯萎、變色等現(xiàn)象,影響光合作用和養(yǎng)分吸收,還會降低棉花的抗逆性和產量,甚至造成棉花的死亡[3-5]。因此,及時準確地識別和診斷棉花葉片病害,對于指導棉花的合理施肥、灌溉、病蟲害防治等農業(yè)管理措施,提高棉花的生產效率和質量,具有重要的意義。
棉花葉片是棉花植株的主要光合器官,也是病害發(fā)生的主要部位[6]。棉花葉片病害有多種類型,包括細菌、真菌、病毒、營養(yǎng)缺乏等,每種類型又有多種不同的病原體和癥狀[7]。目前,棉花葉片病害的識別方法主要有2種:一是依靠人工觀察和經驗判斷,二是利用計算機視覺和機器學習等技術進行自動識別[8-10]。人工觀察和經驗判斷雖然簡單易行,但存在諸多缺點,如主觀性強、易受環(huán)境因素干擾、耗時耗力、準確性低等。而計算機視覺和機器學習等技術則能夠克服這些缺點,實現(xiàn)快速、客觀、準確的棉花葉片病害識別[11]。近年來,隨著深度學習技術的發(fā)展和應用,特別是卷積神經網絡(CNN)模型在圖像處理領域的突出表現(xiàn),基于CNN模型的植物病害識別方法也得到了廣泛的關注和研究[12-14]。
為實現(xiàn)自然條件下棉花病害圖像準確分類,張建華等提出基于改進VGG-16的病害識別模型,實現(xiàn)對棉花的褐斑病、炭疽病、黃萎病、枯萎病、輪紋病、正常葉片的準確區(qū)分[15]。劉海濤等設計了一種基于YOLO v4網絡的方法,能夠在復雜的自然場景中準確檢測頂芽的位置和大小,檢測頂芽效果好于其他模型,且逆光環(huán)境對檢測影響?。?6]。為了解決棉花頂芽在田間密植環(huán)境下難以識別的問題,陳柯屹等提出了一種改進的快速區(qū)域卷積神經網絡算法,實現(xiàn)了大田環(huán)境下棉花頂芽的有效檢測,為棉花精準打頂提供了技術支持[17]。
然而,現(xiàn)有基于深度學習的植物病害識別方法也存在一些問題和不足。首先,多數(shù)研究只考慮了少數(shù)幾種常見的植物病害類型,而忽略了許多其他類型。這樣就無法滿足實際應用中對多類型植物病害識別的需求。其次,多數(shù)方法只使用了單一的模型或算法進行特征提取和分類。這樣就無法充分利用圖像數(shù)據中的多層次和多維度信息,也無法有效地處理圖像數(shù)據中的噪聲、變形、遮擋等問題。針對上述問題和不足,本研究提出了一種基于 CNN-XGBoost 模型的多類型棉花葉片病害識別方法。主要貢獻和創(chuàng)新點如下:
(1)本研究收集了一個包含22種不同類型棉花葉片病害的數(shù)據集,該數(shù)據集包含了約1.2萬張高質量的圖像樣本,覆蓋了細菌、真菌、病毒、營養(yǎng)缺乏等多種原因引起的棉花葉片病害。
(2)提出一種基于CNN-XGBoost模型的多類型棉花葉片病害識別方法。首先使用CNN模型對棉花葉片圖像進行特征提取,然后將提取的特征輸入XGBoost模型進行分類。CNN模型能夠自動學習圖像中的高層次語義特征,XGBoost模型能夠有效地處理特征之間的非線性關系和特征選擇問題。
(3)設計加權交叉熵損失函數(shù)解決類別不平衡問題的損失訓練,給每個類別分配一個權重,使得少數(shù)類的損失更大,從而增加其分類的重要性。
1 試驗數(shù)據
1.1 圖像數(shù)據
首先,從棉田內實際拍攝取得大量的棉花葉片圖片,包括正常和不同類型的病害。這些圖片可以反映棉花葉片在不同光照、角度、背景等條件下的真實情況,有利于提高模型的泛化能力和魯棒性。
其次,通過互聯(lián)網獲取部分棉花圖片對數(shù)據集進行擴充。這些圖片可以增加數(shù)據集的多樣性和數(shù)量,有利于提高模型的準確性和穩(wěn)定性。
最后,經過篩選后選取6 000張相關圖片作為初始數(shù)據集。這些圖片包括1 000張正常葉片和 5 000 張病害葉片,其中病害葉片按照4種疾病類型(細菌、病毒、真菌、營養(yǎng)不足)進行分類,圖1為可視化棉花葉片的圖像數(shù)據集。這些圖片可以覆蓋棉花葉片的主要特征和病害類型,有利于提高模型的識別能力和分類效果。
1.2 棉花葉片病害類型
棉花葉片病害對棉花的產量和品質有重要的影響,也反映了棉花的生長狀況和抗逆能力。通過對棉花葉片病害類型的研究,可以為棉花高效栽培提供參考依據[18]。然而先前工作未對具體疾病分類,且研究類型較少,本研究的棉花葉片病害分為以下4種類型:
(1)細菌性疾?。哼@類疾病是由細菌引起的,主要有葉斑、枯萎和軟腐等,細菌性疾病會導致葉子變色、枯萎、出現(xiàn)黑色或軟質的斑點等。(2)病毒性疾?。哼@類疾病是由病毒引起的,主要有花葉、侏儒、畸形和卷曲等。病毒性疾病會導致葉子變形、變色、出現(xiàn)不規(guī)則的斑駁或突起等。(3)真菌性疾?。哼@類疾病是由真菌引起的,主要有銹斑、斑點、霉斑和腐敗等。真菌性疾病會導致葉子出現(xiàn)棕色或灰白色的粉末或斑點,或者導致葉子和棉桃腐爛等。(4)營養(yǎng)缺乏性疾?。哼@類疾病是由缺乏某種營養(yǎng)元素引起的,主要有氮、磷、硫、鎂、鈣、鉀、鐵、硼和鋅等。營養(yǎng)缺乏性疾病會導致葉子變黃、變紅、變白或變小,或者導致植株生長不良等。
根據以上類型,圖2為可視化21種棉花葉片病害類型,表1分析不同類型的詳細特征。
2 棉花葉片識別模型
2.1 模型概述
本研究提出一種結合CNN和XGBoost的混合模型, 用于多類型棉花葉片病害識別任務。模型的基本算法流程如圖3所示,模型的各個層次和工作流程如圖4所示。CNN-XGBoost模型主要由2個部分組成:特征提取器CNN和特征分類器XGBoost。
特征提取器CNN是一個深度學習網絡,用于從輸入圖像中自動提取空間特征[19]。CNN由多個卷積層、激活層、池化層、歸一化層和丟棄層組成,每個層都有一些可訓練的參數(shù),如濾波器的大小、數(shù)量和步長。
特征分類器XGBoost是一個集成學習模型,用于對CNN提取的特征進行分類[20]。XGBoost是一種基于樹的算法,可以自適應地調整樹的深度、分裂點和權重,以達到最優(yōu)的分類效果。
CNN-XGBoost模型的優(yōu)勢在于它可以充分利用CNN的特征提取能力和XGBoost的分類能力,同時避免了單一分類器的不足,如過擬合、噪聲干擾等。模型參數(shù)詳細設置見表2。
2.2 卷積神經網絡
CNN可以通過多層的卷積、池化、激活等操作,從圖像中提取不同層次的特征,從而實現(xiàn)對圖像的分類、檢測、分割等任務[21]。采用CNN提取多類型棉花葉片病害的特征,分為以下步驟:
首先,將棉花葉片的圖像作為CNN的輸入,對圖像進行預處理,如縮放、裁剪、歸一化等,以適應CNN的輸入格式。
然后,通過多個卷積層和池化層,對圖像進行特征提取。卷積層可以使用不同大小和數(shù)量的卷積核,在圖像上滑動,進行局部感知和特征提取。卷積層的輸出是一個特征圖,表示圖像的局部特征。卷積層的數(shù)學表達式如下:
a(l)i,j,k=∑M-1m=0∑N-1n=0∑P-1p=0w(l)m,n,p,kx(l-1)i+m,j+n,p+b(l)k。(1)
式中:a(l)i,j,k表示第l層第k個特征圖在(i,j)位置的激活值;w(l)m,n,p,k表示第l層第k個卷積核在(m,n,p)位置的權重值;x(l-1)i+m,j+n,p表示第l-1層第k個特征圖在(i,j)位置的輸入值;b(l)k是第l層第k個卷積核的偏置值;M、N、P表示卷積核的尺寸。
池化層是CNN的另一個重要組成部分,本研究使用最大值函數(shù),對卷積層的輸出進行降維和抽象。池化層的輸出也是一個特征圖,表示圖像的全局特征。池化層的數(shù)學表達式如下:
a^(l)i,j,k=max{x(l-1)m,n,k|m∈[i,i+M),n∈[j,j+N)}。(2)
式中:a^(l)i,j,k表示第l層第k個特征圖在(i,j)位置的激活值,{x(l-1)m,n,k|m∈[i,i+M),n∈[j,j+N)}表示第l-1層第k個特征圖在(i,j)位置周圍的一個子區(qū)域,M、N表示池化窗口的尺寸。
最后,通過1個或多個全連接層,將提取出的特征向量進行整合和映射,得到最終的特征表示:
a(l)i=sigmoid[∑J-1j=1w(l)i,jx(l-1)j+b(l)i]。(3)
式中:a(l)i表示第l層第i個神經元的激活值;w(l)i,j表示第l層第i個神經元和第l-1層第j個神經元之間的連接權重;x(l-1)j表示第層第j個神經元的輸入值;b(l)i表示第l層第i個神經元的偏置值;J表示第l-1層的神經元個數(shù)。
2.3 XGBoost
XGBoost是一種基于GBDT的算法,也是一種基于推進集成思想的加法模型,訓練時采用前向分布算法進行貪婪的學習,每次迭代都學習一棵CART樹來擬合之前t-1棵樹的預測結果與訓練樣本真實值的殘差[22]。XGBoost對多類型棉花葉片病害進行分類,本研究采用以下步驟:
首先,初始化一個常數(shù)作為第0棵樹的預測結果,通常是訓練樣本真實值的均值或者對數(shù)概率。初始化的數(shù)學表達式如下:
y^(0)i==1n∑ni=1yi。(4)
式中:y^(0)i表示第i個樣本在第0次迭代時的預測值;表示初始化常數(shù);yi表示第i個樣本的真實值;n表示樣本總數(shù)。
然后,對于每一次迭代t(t=1,2,…,T),計算每個訓練樣本的負梯度(殘差)作為新的響應變量,并用這些新變量去擬合一棵CART樹。這棵樹由多個葉子節(jié)點組成,每個節(jié)點有一個權重值。迭代的數(shù)學表達式如下:
ri,t=l[yi,y^(t-1)i]y^(t-1)i;(5)
ft(xi)=wq(xi)。(6)
式中:ri,t表示第i個樣本在第t次迭代時的負梯度(殘差);l表示損失函數(shù);y^(t-1)i表示第i個樣本在第p次迭代時的預測值;ft(xi)表示第t棵樹對第i個樣本的預測值;wq(xi)表示第t棵樹中第i個樣本所屬葉子節(jié)點的權重值;q(xi)表示第t棵樹中第i個樣本所屬葉子節(jié)點的索引。
接著,為防止過擬合和增加模型的泛化能力,XGBoost在目標函數(shù)中加入了正則項,并用泰勒公式對目標函數(shù)進行二階展開。這樣就可以得到每個葉子節(jié)點的最優(yōu)權重值和每棵樹的最優(yōu)分數(shù)。正則化和展開的數(shù)學表達式如下:
Obj(t)=∑ni=1l[yi,y^(t)i]+∑ti=1Ω(fi);(7)
Obj(t)≈∑ni=1{l[yi,y^(t-1)i]+gifi(xi)+12hif2i(xi)}+Ω(ft);(8)
Obj(t)≈∑Tj=1[(∑i∈Ijgi)wj+12(∑i∈Ijhi+λ)w2j]+γT;(9)
W*j=-∑i∈Ijgi∑i∈Ijhi+λ;(10)
Obj*=-12∑Tj=1(∑i∈Ijgi)2∑i∈Ijhi+λ+γT。(11)
式中:l表示損失函數(shù);y^(t)i表示第i個樣本在第t次迭代時的預測值;Ω是正則化項;fi是第i棵樹;gi和hi分別是損失函數(shù)的一階和二階導數(shù);fi(xi)是第t棵樹對第i個樣本的預測值;T是葉子節(jié)點的個數(shù);Ij是第j個葉子節(jié)點上的樣本集合;wj表示第j個葉子節(jié)點的權重值,λ和γ是正則化參數(shù)。
最后,更新當前模型,在原有模型的基礎上加上本次迭代學習到的樹,并乘上一個步長(學習率):
y^(t)i=y^(t-1)i+ηfi(xi)。(12)
式中:y^(t)i表示第i個樣本在第t次迭代時的預測值;η表示學習率;fi(xi)是第t棵樹對第i個樣本的預測值。
2.4 模型訓練
為解決樣本不平衡或部分域不穩(wěn)定的問題,設計加權交叉熵損失函數(shù)訓練更新CNN-XGBoost模型參數(shù),用于多類型棉花葉片病害識別任務。
假設有N個樣本,每個樣本屬于M個類別中的一個,用yic表示第i個樣本是否屬于第c個類別,用pic表示第i個樣本被CNN-XGBoost模型預測為第c個別的概率,用wk表示第c個類別的權重。那么加權交叉熵損失函數(shù)可以定義為:
L=-1N∑Ni=1∑Mc=1wkyiclnpic。(13)
為了最小化損失函數(shù),需要對CNN-XGBoost模型的參數(shù)進行梯度下降更新。CNN-XGBoost模型由2個部分組成:CNN部分和XGBoost部分。CNN部分由多個卷積層、池化層和全連接層組成,用θ表示其參數(shù)。XGBoost部分由多棵CART樹組成,用T表示其參數(shù)。那么CNN-XGBoost模型的輸出可以表示為:
pic=σ[fc(xi;θ)+gc(xi;T)]。(14)
式中:fc是CNN部分的輸出函數(shù),gc是XGBoost部分的輸出函數(shù),σ是sigmoid函數(shù)。
為了更新CNN部分的參數(shù)θ,需要計算損失函數(shù)對θ的梯度:
Lθ=-1N∑Ni=1∑Mc=1wkyiclnpicθ。(15)
利用鏈式法則,可以得到:
lnpicθ=1picpicθ=1picpicfcfcθ=pic(1-pic)fcθ。(16)
式中:fcθ可以通過反向傳播算法計算。
為了更新XGBoost部分的參數(shù)T,需要計算損失函數(shù)對T的梯度:
LT=-1N∑Ni=1∑Mc=1wkyiclnpicT。(17)
利用鏈式法則,可以得到:
lnpicT=1picpicT=1picpicgcgcT=pic(1-pic)gcT。(18)
式中:gcT可以通過XGBoost算法計算。
根據梯度下降法則,可以得到參數(shù)更新公式:
θ=θ-αLθ;(19)
T=T-αLT。(20)
式中:α表示學習率。
通過反復迭代,直到損失函數(shù)收斂或達到最大迭代次數(shù),就可以得到訓練好的CNN-XGBoost模型,用于多類型棉花葉片病害識別任務。
3 結果與分析
3.1 試驗測試平臺
試驗于2023年8月在我國華南地區(qū)的某棉花研究所進行,測試平臺:處理器為Intel CoreTM i7-8750 CPU@ 2.20 GHz,操作系統(tǒng)為Windows 11,顯卡為NVIDIA GeForce RTX2060,8 GB顯存,64位系統(tǒng)。
訓練環(huán)境:由Anaconda3創(chuàng)建,使用Python 3.7語言和Pytorch 1.4深度學習框架。
3.2 圖像數(shù)據預處理
為擴充數(shù)據集,對數(shù)據集圖片進行了離線數(shù)據增強方法,包括翻轉、柔化、銳化和灰度等操作,如圖5所示。然后,使用labelImg軟件對數(shù)據集進行了標注,選擇了PASAL VOC2007格式作為標注格式,并用隨機函數(shù)將數(shù)據集劃分為訓練集和測試集,比例為 4 ∶1。
3.3 評價指標
根據精確率(P)、召回率(R)、F1分數(shù)和準確率(A)等評價指標對所提出的CNN-XGBoost模型進行評估。為了評估不同類別之間的平衡性,本研究還計算了平均精度。精確率(P) 、召回率(R)、F1 分數(shù)和準確率(A)的計算公式如下:
P=TPTP+FP;(21)
R=TPTP+FN;(22)
F1分數(shù)=2P×RP+R;(23)
A=TP+FNTP+TN+FP+FN。(24)
式中:TP表示真陽性;TN表示真陽性真陰性;FP表示假陽性;FN表示假陰性。
3.4 評估指標分析
圖6為可視化本研究模型在訓練集和測試集上的準確率和損失。本研究模型在訓練集上的準確率隨著訓練批次的增加而逐漸提高,從約0.6增加到約0.98,表明該模型能夠有效地學習訓練數(shù)據的特征和規(guī)律。該模型在測試集上的準確率也隨著訓練批次的增加而逐漸提高,從約0.1增加到約0.95,表明該模型具有較好的泛化能力,能夠適應新的數(shù)據。在訓練集上的損失隨著訓練批次的增加而逐漸降低,從約0.5降低到約0.1,表明該模型能夠有效降低預測誤差,提高分類性能。在測試集上的損失值也隨著訓練批次的增加而逐漸降低,從約0.9降低到約0.1,表明該模型能夠避免過擬合,保持較好的穩(wěn)定性。
表3展示了不同模型的平均識別準確率,從數(shù)據中可以看出,CNN-XGBoost模型在訓練集和測試集上的準確率都是最高的,分別達到了0.98、0.93,說明該模型具有很強的泛化能力和預測能力。此外,本模型相比于其他模型(如AlexNet、MobileNet v2、ResNet50、ResNet101、VGG16、VGG19),可以有效地降低過擬合的風險,因為XGBoost可以通過正則化項和剪枝技術來控制樹的復雜度。
本研究模型使用了數(shù)據增強方法,通過對圖像進翻轉、銳化、柔化等變換,增加數(shù)據集的大小和多樣性,減少模型對噪聲和異常值的敏感性。表4展示了不同數(shù)據類型的識別準確率對比,可以看出數(shù)據增強對CNN-XGBoost模型的準確率有一定的提升作用。在數(shù)據增強的情況下,訓練集和測試集的準確率分別提高了0.03、0.04,達到了0.97、0.95,表明模型能夠更好地適應不同的數(shù)據變化,避免過擬合或欠擬合。
混淆矩陣是一種用于評估分類模型性能的工具,它顯示了模型對每個類別的預測結果和實際結果的對比。混淆矩陣的行表示實際類別,列表示預測類別。對角線上的元素表示模型正確預測的樣本數(shù),非對角線上的元素表示模型錯誤預測的樣本數(shù)。由圖7可以看出,本研究模型在多類型棉花葉片病害識別任務上表現(xiàn)出了較高的準確率和較低的誤差。對角線上的元素都是100以上,表明模型能夠正確識別出大部分的樣本。非對角線上的元素都是30以下,表明模型很少將一個類別誤判為另一個類別。
為更好地評估模型的性能,通過混淆矩陣計精確率、召回率、F1分數(shù)等指標。由表5可知,每個類別的精確率、召回率和F1分數(shù)都接近或達到了1,表明模型在每個類別上都有很好的性能,沒有明顯的偏差或不平衡。
4 結論
本研究提出了一種基于CNN-XGBoost模型的多類型棉花葉片病害識別方法,利用CNN提取棉花葉片圖像的特征,然后使用XGBoost分類器進行多分類任務。在收集的棉花葉片病害數(shù)據集上進行廣泛試驗,與CNN、AlexNet、MobileNet v2、ResNet50、ResNet101、VGG16、VGG19等方法進行了對比。結果表明,本研究提出的CNN-XGBoost模型在多種類型棉花葉片病害的實例上都能準確識別,能夠充分利用圖像數(shù)據中的多層次和多維度信息,同時具有較強的魯棒性和泛化能力,為棉花種植業(yè)提供了一種準確、低成本的病害診斷方法,有助于提高棉花的產量和質量,促進棉花產業(yè)的發(fā)展。
參考文獻:
[1]陶云平. 棉花經濟效益的影響因素及競爭力提升:評《我國棉花國際競爭力研究》[J]. 棉花學報,2022,34(4):361.
[2]霍 遠,張 敏,王 惠. 新疆棉花成本及經濟效益分析[J]. 干旱區(qū)地理,2011,34(5):838-842.
[3]Olmstead A L,Rhode P W. Biological innovation and productivity growth in the antebellum cotton economy[J]. The Journal of Economic History,2008,68(4):1123-1171.
[4]Subramanian K,Sarkar M K,Wang H M,et al. An overview of cotton and polyester,and their blended waste textile valorisation to value-added products:a circular economy approach–research trends,opportunities and challenges[J]. Critical Reviews in Environmental Science and Technology,2022,52(21):3921-3942.
[5]Najork K,F(xiàn)riedrich J,Keck M. Bt cotton,pink bollworm,and the political economy of sociobiological obsolescence:insights from Telangana,India[J]. Agriculture and Human Values,2022,39(3):1007-1026.
[6]張 泓,吐爾遜江·買買提,張少民,等. 近30年全國棉花生產區(qū)域時空變化及區(qū)域優(yōu)勢分析[J]. 新疆農業(yè)科學,2023,60(4):1028-1040.
[7]王如意,宋玉蘭. 產業(yè)鏈視角下中國棉花生產布局演化及影響因素研究[J]. 資源開發(fā)與市場,2022,38(3):337-343,384.
[8]Manavalan R. Towards an intelligent approaches for cotton diseases detection:a review[J]. Computers and Electronics in Agriculture,2022,200(1):107255.
[9]Caldeira R F,Santiago W E,Teruel B. Identification of cotton leaf lesions using deep learning techniques[J]. Sensors,2021,21(9):3169.
[10]楊 野,楊德昌,孫 紅,等. 基于無人機多光譜遙感和機器學習算法的南疆棉花生物量估算[J]. 江蘇農業(yè)科學,2023,51(15):179-187.
[11]Wei F,F(xiàn)eng H J,Zhang D Z,et al. Composition of rhizosphere microbial communities associated with healthy and Verticillium wilt diseased cotton plants[J]. Frontiers in Microbiology,2021,12:618169.
[12]祁佳峰,郭 鵬,劉 笑,等. 基于無人機高清影像的棉花苗期長勢監(jiān)測及后期長勢預測[J]. 江蘇農業(yè)科學,2023,51(16):170-178.
[13]Zambare R,Deshmukh R,Awati C,et al. Deep learning model for disease identification of cotton plants[J]. Specialusis Ugdymas,2022,1(43):6684-6695.
[14]劉桂鋒,楊 倩,劉 瓊. 農業(yè)科學數(shù)據集的本體構建與可視化研究:以“棉花病害防治”領域為例[J]. 情報雜志,2022,41(9):143-149,175.
[15]張建華,孔繁濤,吳建寨,等. 基于改進VGG卷積神經網絡的棉花病害識別模型[J]. 中國農業(yè)大學學報,2018,23(11):161-171.
[16]劉海濤,韓 鑫,蘭玉彬,等. 基于YOLO v4網絡的棉花頂芽精準識別方法[J]. 中國農業(yè)科技導報,2022,24(8):99-108.
[17]陳柯屹,朱龍付,宋 鵬,等. 融合動態(tài)機制的改進型Faster R-CNN識別田間棉花頂芽[J]. 農業(yè)工程學報,2021,37(16):161-168.
[18]Patil S P,Zambre R S. Classification of cotton leaf spot disease using support vector machine[J]. International Journal of Engineering Research,2014,3(4):1511-1514.
[19]何相良,戴建國,侯文慶,等. 基于深度卷積神經網絡的棉花葉片缺氮診斷[J]. 江蘇農業(yè)科學,2022,50(22):180-191.
[20]金松林,來純曉,鄭 穎,等. 基于特征選擇和CNN+Bi-RNN模型的小麥抗寒性識別方法[J]. 江蘇農業(yè)科學,2022,50(10):201-207.
[21]Naeem A B,Senapati B,Chauhan A S,et al. Deep learning models for cotton leaf disease detection with VGG-16[J]. International Journal of Intelligent Systems and Applications in Engineering,2023,11(2):550-556.
[22]張 超,陳 暢,徐海清,等. 基于XGBoost算法的多云多霧地區(qū)多源遙感作物識別[J]. 農業(yè)機械學報,2022,53(4):149-156.