基于原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)的小樣本玉米病蟲(chóng)害檢測(cè)

doi：10.15889/j.issn.1002-1302.2024.20.027

摘要：針對(duì)圖像背景噪聲干擾大、有限標(biāo)注信息利用不充分所導(dǎo)致的對(duì)玉米葉片病蟲(chóng)害目標(biāo)檢測(cè)效果不佳的問(wèn)題，利用支持分支和查詢(xún)分支的雙分支網(wǎng)絡(luò)構(gòu)建了一種基于原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)的小樣本玉米病蟲(chóng)害檢測(cè)方法。該方法首先對(duì)傳統(tǒng)的VGG-16網(wǎng)絡(luò)進(jìn)行改進(jìn)，并在玉米病蟲(chóng)害檢測(cè)數(shù)據(jù)集上進(jìn)行微調(diào)，增強(qiáng)模型對(duì)特定任務(wù)的泛化性能；其次，利用交叉注意力機(jī)制建立雙分支間信息的交互，挖掘分支間的共有語(yǔ)義；再次，借助支持圖片的真實(shí)掩碼將交互特征細(xì)粒度的分離為支持前景和背景，并在前景和背景特征上生成前景指導(dǎo)原型和背景輔助原型；最后，通過(guò)計(jì)算查詢(xún)混合特征和每一原型的相似度值，并根據(jù)相似度值給出預(yù)測(cè)結(jié)果。在自建的玉米病蟲(chóng)害檢測(cè)數(shù)據(jù)集上進(jìn)行測(cè)試，所提出方法的精準(zhǔn)率、召回率、F1和交并比（IoU）分別達(dá)到96.49%、96.03%、96.50%和83.19%，此外前景和背景的二分類(lèi)評(píng)價(jià)指標(biāo)前景背景交并比（FB-IoU）也達(dá)到93.62%，結(jié)果驗(yàn)證了本研究方法的優(yōu)越性。

關(guān)鍵詞：玉米；病蟲(chóng)害；小樣本；自適應(yīng)對(duì)齊；原型；交互特征；雙分支網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP391.41；S126" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0228-08

收稿日期：2024-07-15

基金項(xiàng)目：河南省高等學(xué)校重點(diǎn)科研項(xiàng)目（編號(hào)：22B520039）；河南省本科高校研究性教學(xué)改革研究與實(shí)踐項(xiàng)目（編號(hào)：2022SYJXLX134）；河南省本科高等學(xué)校智慧教學(xué)專(zhuān)項(xiàng)研究項(xiàng)目（編號(hào)：83）。

作者簡(jiǎn)介：郝惠惠 （1989—），女，河南開(kāi)封人，碩士，講師，主要從事農(nóng)業(yè)信息化研究。E-mail：haohuhui@163.com。

玉米作為全球主要糧食作物之一，其產(chǎn)量和品質(zhì)直接關(guān)系到糧食安全和農(nóng)業(yè)經(jīng)濟(jì)的可持續(xù)發(fā)展。然而，玉米葉片病蟲(chóng)害嚴(yán)重威脅著玉米的健康生長(zhǎng)和產(chǎn)量，每年造成的經(jīng)濟(jì)損失巨大［1-2］。據(jù)統(tǒng)計(jì)，全球因玉米病蟲(chóng)害導(dǎo)致的產(chǎn)量損失高達(dá)20%～30%，在某些嚴(yán)重發(fā)病年份甚至可達(dá)50%以上［3］。因此，及時(shí)、準(zhǔn)確地檢測(cè)和識(shí)別玉米葉片病蟲(chóng)害對(duì)于制定有效的防控措施、減少經(jīng)濟(jì)損失具有重要的意義。

傳統(tǒng)的病蟲(chóng)害檢測(cè)方法主要依賴(lài)于農(nóng)業(yè)專(zhuān)家的經(jīng)驗(yàn)判斷，這不僅耗時(shí)耗力，而且在面對(duì)大規(guī)模種植區(qū)域時(shí)往往力不從心［4］。隨著計(jì)算機(jī)視覺(jué)和人工智能技術(shù)的快速發(fā)展，基于圖像識(shí)別的自動(dòng)化病蟲(chóng)害檢測(cè)方法逐漸成為研究熱點(diǎn)［5-7］。這些方法不僅能夠提高檢測(cè)的效率和準(zhǔn)確性，還可以實(shí)現(xiàn)大規(guī)模、實(shí)時(shí)的監(jiān)測(cè)，為精準(zhǔn)農(nóng)業(yè)提供有力支持。例如，施杰等利用輕量級(jí)模塊對(duì)YOLO v5s網(wǎng)絡(luò)進(jìn)行改進(jìn)，并在層間引入注意力機(jī)制，增強(qiáng)模型對(duì)目標(biāo)區(qū)域的聚焦能力［8］。李英輝等利用主成分分析方法對(duì)不同尺度的特征進(jìn)行加權(quán)組合，并在重組的特征上構(gòu)建決策模型，有效提高了模型對(duì)病蟲(chóng)害的定位性能［9］。蘭玉彬等在原始的YOLO v5s網(wǎng)絡(luò)中引入輕量級(jí)模塊Ghost，有效降低了模型在推演階段的時(shí)間開(kāi)銷(xiāo)，此外為了增強(qiáng)模型對(duì)小目標(biāo)區(qū)域的定位性能，引入注意力機(jī)制［10］。周一帆等利用作物病害的文本標(biāo)注和視覺(jué)圖片信息，建立了一種多模態(tài)特征對(duì)齊網(wǎng)絡(luò)，并在馬鈴薯、番茄、蘋(píng)果等多種作物上驗(yàn)證了有效性［11］。張家瑜等針對(duì)復(fù)雜環(huán)境對(duì)檢測(cè)性能的影響，提出了一種選擇性注意力網(wǎng)絡(luò)，通過(guò)多重注意力機(jī)制對(duì)不同的特征進(jìn)行加權(quán)融合，提升模型對(duì)關(guān)鍵信息的捕獲能力［12］。

雖然上述基于深度學(xué)習(xí)方法的作物病蟲(chóng)害葉片檢測(cè)方法可以提升檢測(cè)效率和檢測(cè)精度，然而現(xiàn)有的深度學(xué)習(xí)方法通常需要大量標(biāo)注樣本進(jìn)行訓(xùn)練，這在實(shí)際應(yīng)用中面臨著樣本獲取困難、標(biāo)注成本高等挑戰(zhàn)。雖然鄭旭康等等利用半監(jiān)督的方法降低了標(biāo)注樣本費(fèi)時(shí)費(fèi)力的問(wèn)題［13］，然而該類(lèi)方法對(duì)未見(jiàn)過(guò)的病害類(lèi)型或和已見(jiàn)過(guò)病害類(lèi)型差異性較大的病害泛化性不強(qiáng)，仍難以應(yīng)對(duì)實(shí)際生活中農(nóng)作物的病蟲(chóng)害檢測(cè)。因此，本研究提出一種基于原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)的小樣本玉米作物病蟲(chóng)害檢測(cè)新方法。一方面利用小樣本學(xué)習(xí)網(wǎng)絡(luò)來(lái)解決玉米病蟲(chóng)害樣本稀缺條件下，檢測(cè)模型的性能過(guò)度依賴(lài)數(shù)據(jù)集的問(wèn)題，另一方面通過(guò)建立分支間信息的交互，以及細(xì)粒度挖掘病害區(qū)域、非病害區(qū)域的原型表示，增強(qiáng)模型對(duì)未知作物病蟲(chóng)害的泛化性和魯棒性。

1" 數(shù)據(jù)集介紹

本研究自建了一個(gè)玉米葉片病蟲(chóng)害數(shù)據(jù)集，包含5 000張高質(zhì)量的玉米葉片圖像，并選擇對(duì)玉米產(chǎn)量和品質(zhì)影響較大的6種常見(jiàn)病蟲(chóng)害黏蟲(chóng)、草地貪夜蛾、灰飛虱、銹病、斑病、葉枯病。不同類(lèi)型的病蟲(chóng)害如圖1所示。

所拍攝圖片的質(zhì)量直接影響模型的識(shí)別性能，本研究的所有圖片來(lái)源于網(wǎng)絡(luò)圖片和實(shí)際田間拍攝2個(gè)部分，其中田間拍攝照片采用高分辨率數(shù)碼相機(jī)（Canon EOS 5D Mark IV），拍攝地點(diǎn)為河南開(kāi)封通許縣，圖像的采集時(shí)間在7—9月。拍攝過(guò)程中采用了多角度、多光照條件的采集方法，以模擬實(shí)際應(yīng)用場(chǎng)景中可能遇到的各種情況。此外，采用LabelImg軟件對(duì)采集的4 600張圖像進(jìn)行人工標(biāo)注。為了進(jìn)一步提高數(shù)據(jù)集的質(zhì)量和可用性，筆者還進(jìn)行了數(shù)據(jù)增強(qiáng)處理，包括隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、亮度調(diào)整和對(duì)比度調(diào)整等，最終將數(shù)據(jù)集的規(guī)模擴(kuò)充到 13 800 張圖像，表1給出了數(shù)據(jù)集的詳細(xì)信息。

2" 原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)

2.1" 任務(wù)定義

本研究利用支持分支和查詢(xún)分支的雙分支網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建了小樣本玉米作物病蟲(chóng)害檢測(cè)模型，旨在利用少量帶標(biāo)注的支持集指導(dǎo)查詢(xún)圖片中未知目標(biāo)的定位與識(shí)別，其中支持分支的輸入是玉米作物病蟲(chóng)害圖片和對(duì)應(yīng)的標(biāo)注信息，查詢(xún)分支的輸入是待測(cè)試的圖片。該任務(wù)涉及到2個(gè)數(shù)據(jù)集，即Base類(lèi)和Novel類(lèi)，其中Base類(lèi)用于模型的訓(xùn)練，Novel類(lèi)用于模型的測(cè)試，并且Base類(lèi)和Novel類(lèi)沒(méi)有交集，即CBase∩CNovel=Φ。

此處采用現(xiàn)有小樣本學(xué)習(xí)的基本流程［14-15］，即將Base類(lèi)和Novel劃分為多個(gè)子任務(wù)，在每個(gè)子任務(wù)中建立支持集指導(dǎo)查詢(xún)分支中未知目標(biāo)的定位與識(shí)別的學(xué)習(xí)任務(wù)。具體地，給定支持集S={（Imsi，Msi）ki=1}，其中：Imsi和Msi分別表示第i張支持圖片和對(duì)應(yīng)的支持掩碼；k表示支持樣本的個(gè)數(shù)。小樣本玉米作物病蟲(chóng)害檢測(cè)模型在支持集S上學(xué)習(xí)定位與識(shí)別能力，并將其遷移到查詢(xún)集Q={（Imq，Mq）}未知目標(biāo)的定位與識(shí)別任務(wù)上，其中：Imq和Mq分別表示查詢(xún)圖片及對(duì)應(yīng)的查詢(xún)掩碼，并且查詢(xún)掩碼僅在訓(xùn)練階段可見(jiàn)，在測(cè)試階段不可用。

2.2" 模型結(jié)構(gòu)

圖2為本研究提出的基于原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)的小樣本玉米病蟲(chóng)害檢測(cè)模型的結(jié)構(gòu)圖，包括特征編碼與交互、原型自適應(yīng)生成、病害檢測(cè)等部分。首先，利用ImageNet數(shù)據(jù)集預(yù)訓(xùn)練的 VGG-16 網(wǎng)絡(luò)作為基礎(chǔ)編碼器，并在該編碼器末端新添加2層卷積層和注意力層，旨在增強(qiáng)模型對(duì)特定任務(wù)的自適應(yīng)能力。其次，建立雙分支編碼特征間的信息交互，并借助支持圖片的真實(shí)掩碼將交互特征分離為目標(biāo)前景和背景特征。再次，在分離后的前景特征上以粗粒度方式生成前景原型，以細(xì)粒度方式生成背景原型。最后，通過(guò)計(jì)算查詢(xún)圖片在每個(gè)位置處的編碼特征與每一原型的相似度值，給出對(duì)應(yīng)的預(yù)測(cè)結(jié)果。

2.3" 特征編碼與交互

利用特征編碼器來(lái)提取圖片在深度特征空間中的抽象表示，是計(jì)算機(jī)視覺(jué)任務(wù)中的基礎(chǔ)步驟，此處以ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的VGG-16網(wǎng)絡(luò)為基礎(chǔ)編碼器，并借助遷移學(xué)習(xí)將預(yù)訓(xùn)練的模型參數(shù)遷移至小樣本玉米病蟲(chóng)害檢測(cè)特定任務(wù)中，充分利用VGG-16網(wǎng)絡(luò)在大規(guī)模圖像分類(lèi)任務(wù)中對(duì)通用特征的提取能力［16-17］。

首先，考慮到病蟲(chóng)害的多變性，包括生長(zhǎng)階段、尺寸、形體等的變化，僅采用預(yù)訓(xùn)練的VGG-16網(wǎng)絡(luò)作為編碼器，很難適應(yīng)小樣本玉米病蟲(chóng)害檢測(cè)的特定任務(wù)，為此在VGG-16網(wǎng)絡(luò)的末端添加2層卷積層，其中第1層卷積層使用256個(gè)3×3的卷積核，第2層使用128個(gè)3×3的卷積核，2層的步長(zhǎng)均設(shè)置為1且均采用ReLU激活函數(shù)。此外，在新增加的每層卷積層后添加注意力層，旨在學(xué)習(xí)不同空間位置的重要性，使模型更好地關(guān)注病蟲(chóng)害癥狀的關(guān)鍵區(qū)域。

其次在自建數(shù)據(jù)集上對(duì)新添加的卷積層和注意力層進(jìn)行微調(diào)，以增強(qiáng)模型對(duì)特定任務(wù)的泛化性。改進(jìn)的模型結(jié)構(gòu)如圖3所示。改進(jìn)后VGG-16網(wǎng)絡(luò)的前13層卷積層參數(shù)是凍結(jié)的，即仍然使用ImaeNet數(shù)據(jù)集上預(yù)訓(xùn)練的部分，新添加的2層卷積層和注意力層的參數(shù)是在自建的玉米病蟲(chóng)害數(shù)據(jù)集上進(jìn)行微調(diào)。然后，用改進(jìn)后的VGG-16網(wǎng)絡(luò)作為特征編碼器，將支持分支和查詢(xún)分支的輸入圖片映射到深度特征空間，即Fs和Fq。最后，為了挖掘分支間的共有語(yǔ)義，利用交叉注意力機(jī)制建立分支間信息的交互與對(duì)齊，交互特征可表示為公式（1）。

Fsq=Fs·（Fq）Td（FsFq）。（1）

式中：Fsq表示交互特征；d表示特征矩陣維度；表示特征拼接。

2.4" 原型自適應(yīng)生成

在雙分支網(wǎng)絡(luò)中，只有支持分支的輸入包含真實(shí)的標(biāo)注，此處以支持圖片的真實(shí)標(biāo)注作為監(jiān)督信號(hào)，將分支間的交互特征進(jìn)行特征分離，即分離為目標(biāo)前景區(qū)域和背景區(qū)域特征，分離特征可表示為公式（2）。

Fsqf=Fsq·ζ（Fsq，Ms）

Fsqb=Fsq·ζ（Fsq，Lc-Ms）。（2）

式中：Fsqf和Fsqb分別表示分離后的前景和背景特征；ζ（·）表示維度轉(zhuǎn)換函數(shù)，即將標(biāo)注圖片的維度下采樣至和Fsq相同的維度；Ms表示支持圖片的真實(shí)標(biāo)注；Lc表示當(dāng)前類(lèi)的類(lèi)標(biāo)簽值。分離后的前景特征區(qū)域中更多的是玉米作物病蟲(chóng)害的相關(guān)信息，是完整的目標(biāo)， 因此采用粗粒度的編碼方式生成原

型，即將全局平均特征作為前景區(qū)域的原型。采用全局平均池化生成前景區(qū)域原型的好處在于：細(xì)粒度編碼方式更多采用的是局部編碼特征，這種編碼方式極易造成上下文語(yǔ)義的丟失以及目標(biāo)區(qū)域語(yǔ)義的破壞，另外目標(biāo)前景區(qū)域主要是完整的作物病蟲(chóng)害，利用全局編碼特征可以防止無(wú)關(guān)噪聲信息的引入。前景原型可表示為公式（3）。

Pf=1K×∑Kk=1Fsqfλ［Ms∈c］∑Kk=1λ［Ms∈c］，c∈C。（3）

式中：Pf表示前景原型；k表示支持樣本個(gè)數(shù)；λ（·） 表示真實(shí)函數(shù)。背景區(qū)域較為復(fù)雜，一方面目標(biāo)較多，另一方面無(wú)關(guān)噪聲干擾較大，僅利用粗粒度的編碼方式極易造成信息混亂。因此，本研究采用細(xì)粒度的編碼方式生成背景原型，此處采用超像素聚類(lèi)算法，將整張背景特征圖劃分為多個(gè)區(qū)域，并且滿(mǎn)足區(qū)域內(nèi)具有強(qiáng)相關(guān)性、區(qū)域間具有明確的強(qiáng)區(qū)分性的條件。超像素聚類(lèi)的原理如圖4所示。

超像素聚類(lèi)算法根據(jù)周?chē)袼亻g的相似性，將整張圖片劃分為多個(gè)區(qū)域［18-19］，在每個(gè)超像素區(qū)域中利用平均池化技術(shù)生成原型，即整張圖片包含多個(gè)原型。這樣做是因?yàn)楸尘皡^(qū)域相比前景區(qū)域更復(fù)雜，目標(biāo)也更多，利用多個(gè)原型表示背景區(qū)域有助于降低因全局平均池化造成語(yǔ)義空間破壞的問(wèn)題；另外，相比單一原型表示多個(gè)目標(biāo)，多個(gè)原型攜帶的語(yǔ)義信息更全，更具有代表性。此處在超像素區(qū)域中生成的原型可表示為公式（4）。

Pb（xi）=1K×∑Kk=1∑NxiFsqb（xi）·λ［Msc］∑Kk=1λ［Msc］。（4）

式中：Pb（xi）表示在超像素區(qū)域xi上生成的背景原型；N表示超像素的數(shù)量，個(gè)。將所有超像素拼接起來(lái)，得到背景特征圖中的原型集，即Pb={Pb（x1），Pb（x2），…，Pb（xN）}。將前景原型和背景原型合并，得到最終的原型集P={Pf，Pb}。

2.5" 病蟲(chóng)害檢測(cè)

為了定位與識(shí)別查詢(xún)圖片中的病蟲(chóng)害區(qū)域，以常見(jiàn)的無(wú)參數(shù)度量方法逐位置計(jì)算查詢(xún)混合特征與原型集上每一原型間的相似度值，并根據(jù)相似度值給出匹配結(jié)果。匹配流程如圖5所示。

考慮到實(shí)際場(chǎng)景中對(duì)于硬件設(shè)備和成本的要求，此處采用無(wú)參數(shù)度量方法，即利用余弦相似度函數(shù)計(jì)算查詢(xún)特征Fq與原型P={Pf，Pb}上每一原型間的相似度值，并將每一位置處的最大相似度值對(duì)應(yīng)的像素值作為當(dāng)前位置的定位和分類(lèi)信息，具體計(jì)算如公式（5）所示。

Mq=argmax［cossim（Fq，pj）］，

mqx，y=∑h，wx，y（Fq）T×pj‖F(xiàn)q‖‖pj‖。（5）

式中：mqx，y表示位置（x，y）處的相似度值；Mq表示查詢(xún)圖片Imq對(duì)應(yīng)的預(yù)測(cè)掩碼；h和w表示特征圖的長(zhǎng)和寬。通過(guò)計(jì)算預(yù)測(cè)標(biāo)簽和真實(shí)標(biāo)簽之間的交叉熵?fù)p失函數(shù)，實(shí)現(xiàn)模型端到端的優(yōu)化。

3" 結(jié)果與分析

3.1" 試驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

采用Python 3.8編程語(yǔ)言，深度學(xué)習(xí)框架選擇PyTorch 1.9.0，模型在NVIDIA GeForce RTX 3080 12 GB上訓(xùn)練，CUDA版本為11.1，cuDNN版本為8.0.5，CPU環(huán)境為Intel Core i9-10900K RAM： 64 GB DDR4。選擇Adam作為優(yōu)化器，設(shè)定初始學(xué)習(xí)率為1×10-4，權(quán)重衰減項(xiàng)設(shè)定為1×10-3。batch大小設(shè)定為8，模型迭代次數(shù)設(shè)定為200，模型訓(xùn)練與測(cè)試階段的損失曲線(xiàn)和精準(zhǔn)率曲線(xiàn)如圖6所示。

選擇當(dāng)前主流的評(píng)價(jià)指標(biāo)精準(zhǔn)率（P）、召回率（R）、F1分?jǐn)?shù)、交并比（IoU）和前景背景交并比（FB-IoU）來(lái)評(píng)估本研究模型的優(yōu)越性［20］，具體計(jì)算如公式（6）和公式（7）所示。

P=TPTP+FP

R=TPTP+FN

F1分?jǐn)?shù)=2×P×RP+R。（6）

IoU=TPTP+FP+FN

FB-IoU=12∑2c=1IoUc。（7）

式中：TP表示預(yù)測(cè)正確的像素總數(shù)；FP表示模型預(yù)測(cè)的標(biāo)簽是前景區(qū)域，但真是類(lèi)別是背景的像素總數(shù)；FN表示模型預(yù)測(cè)的標(biāo)簽是背景區(qū)域，但真是類(lèi)別是目標(biāo)前景的像素總數(shù)；c表示類(lèi)別。

3.2" 模型性能分析

3.2.1" 對(duì)比試驗(yàn)" 為了驗(yàn)證本研究提出的基于原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)的小樣本玉米作物病蟲(chóng)害檢測(cè)模型的優(yōu)越性，選擇當(dāng)前主流的目標(biāo)檢測(cè)方法進(jìn)行對(duì)比試驗(yàn)，包括Yolo v5s、Faster R-CNN、Inception v4、DeepLab v3+、Mask-RCNN。對(duì)比結(jié)果如表2所示，表中的結(jié)果是模型在6種病蟲(chóng)害上的平均檢測(cè)結(jié)果。

從表2可以看出，本研究方法分別獲得了96.49%的P、96.03%的R、96.50%的F1分?jǐn)?shù)、83.19%的IoU以及93.62%的FB-IoU。與當(dāng)前經(jīng)典的5種目標(biāo)檢測(cè)方法相比，本研究方法性能優(yōu)勢(shì)明顯。特別是相比所有對(duì)比方法中表現(xiàn)最好的Inception v4，這5個(gè)指標(biāo)分別提升了2.73、2.32、2.96、4.13、2.39百分點(diǎn)。以上結(jié)果驗(yàn)證了本研究方法在玉米病蟲(chóng)害檢測(cè)任務(wù)的綜合性能更優(yōu)，具有一定的實(shí)際應(yīng)用價(jià)值。

3.2.2" 細(xì)粒度的檢測(cè)試驗(yàn)" 為了分析不同模型在小樣本玉米病蟲(chóng)害測(cè)試集上的性能，利用圖7所示的混淆矩陣反映不同模型對(duì)每種病蟲(chóng)害的識(shí)別性能。結(jié)果顯示，本研究方法對(duì)玉米病蟲(chóng)害的識(shí)別效果最佳，誤報(bào)和漏報(bào)的病蟲(chóng)害數(shù)量最少，尤其是在銹病、灰飛虱的識(shí)別性能上尤為明顯。部分黏蟲(chóng)會(huì)誤報(bào)為草地貪夜蛾和銹病，斑病會(huì)誤報(bào)為銹病和灰飛虱，這主要是因?yàn)樵缙陔A段的黏蟲(chóng)和草地貪夜蛾、銹病以及斑病和灰飛虱在顏色、形狀以及紋理方面具有高度的相似性，易于混淆；且所采用的數(shù)據(jù)集可能沒(méi)有充分覆蓋黏蟲(chóng)與銹病、草地貪夜蛾的特征變化，導(dǎo)致已訓(xùn)練模型在特定情況下無(wú)法準(zhǔn)確區(qū)分。為了進(jìn)一步驗(yàn)證本研究模型對(duì)不同病蟲(chóng)害的識(shí)別性能，分別在各病蟲(chóng)害的測(cè)試集上進(jìn)行試驗(yàn)，詳細(xì)結(jié)果如表3所示。

從表3可以看出，本模型對(duì)6種病蟲(chóng)害的整體檢測(cè)效果較好，尤其是在銹病、灰飛虱、黏蟲(chóng)等作物病害上結(jié)果較佳。主要原因是銹病、灰飛虱、黏蟲(chóng)等作物病蟲(chóng)害發(fā)病癥狀較為明顯，與背景目標(biāo)的區(qū)分性較大，F(xiàn)B-IoU指標(biāo)也驗(yàn)證了該發(fā)現(xiàn)，即目標(biāo)前景和背景的區(qū)分性較為明顯，同時(shí)也說(shuō)明了外觀、發(fā)病癥狀相似的不同病蟲(chóng)害的區(qū)分性是影響模型整體性能的關(guān)鍵因素。

3.3" 消融試驗(yàn)

為了分析本研究提出的基于原型自適應(yīng)對(duì)齊網(wǎng)絡(luò)的小樣本玉米病蟲(chóng)害檢測(cè)模型中不同模塊的性能（包括主干網(wǎng)絡(luò)中新添加卷積塊和注意力機(jī)制的作用、前景區(qū)域和背景區(qū)域的粗粒度和細(xì)粒度編碼模塊的作用），分別設(shè)計(jì)了3組消融試驗(yàn)，詳細(xì)結(jié)果如表4所示。

本研究選擇的基線(xiàn)模型為VGG-16網(wǎng)絡(luò)，并使用ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練過(guò)的網(wǎng)絡(luò)參數(shù)，此外，在前景區(qū)域采用平均池化生成原型。變體方法一：主干網(wǎng)絡(luò)VGG-16的編碼層新添加2層卷積層和注意力層，并且在小樣本玉米病蟲(chóng)害數(shù)據(jù)集上進(jìn)行新添加層的微調(diào)；變體方法二：在“變體方法一”的基礎(chǔ)上，在背景區(qū)域中采用超像素聚類(lèi)算法，以細(xì)粒度的方式生成多個(gè)原型。

從表4可以獲得以下發(fā)現(xiàn)：（1）基線(xiàn)模型的識(shí)別精準(zhǔn)率為84.72%，IoU為60.34%，整體性能不佳，主要原因是基線(xiàn)模型僅采用了目標(biāo)前景區(qū)域特征，并且主干網(wǎng)絡(luò)是在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的模型，很難泛化到特定任務(wù)中。（2）在主干網(wǎng)絡(luò)中新添加卷積層和注意力層，可以顯著提升模型的識(shí)別性能，尤其是在前景和背景的二分類(lèi)定位任務(wù)上提升效果顯著，主要原因是在主干網(wǎng)絡(luò)的末端新添加可學(xué)習(xí)的卷積層可以提高模型對(duì)特定任務(wù)的自適應(yīng)能力，增強(qiáng)模型的泛化性，另外注意力機(jī)制的引入可以提高模型對(duì)目標(biāo)關(guān)鍵信息的捕獲能力，提升特征表達(dá)的可靠性。（3）背景區(qū)域的細(xì)粒度挖掘策略是有效的，尤其是在目標(biāo)前景的定位，以及前景和背景二分類(lèi)定位任務(wù)上提升效果較為明顯，主要原因是背景區(qū)域較為復(fù)雜，目標(biāo)類(lèi)型以及數(shù)量較多，僅用平均特征表示多個(gè)目標(biāo)的信息，極易造成信息的破壞、混亂以及語(yǔ)義歧義，不利于目標(biāo)的定位與識(shí)別。

綜上，通過(guò)聯(lián)合使用上述模塊，本研究模型的性能得到了顯著的提升，綜合性能表現(xiàn)最佳，驗(yàn)證了本研究模型的有效性。此外，為了直觀展示本研究不同變體模型對(duì)目標(biāo)區(qū)域的定位能力，將高維特征圖進(jìn)行可視化，可視化結(jié)果如圖8所示。可以看出，變體方法二（本研究模型）在病蟲(chóng)害區(qū)域定位和識(shí)別方面的性能優(yōu)于基線(xiàn)模型和變體方法一， 進(jìn)一

步驗(yàn)證了本研究模型的優(yōu)越性。

4" 結(jié)論

本研究基于支持分支和查詢(xún)分支的雙分支網(wǎng)絡(luò)結(jié)構(gòu)，提出了一種新的小樣本玉米病蟲(chóng)害檢測(cè)方法，并通過(guò)對(duì)比試驗(yàn)和消融試驗(yàn)驗(yàn)證了模型的優(yōu)越性，主要結(jié)論如下：（1）在主干網(wǎng)絡(luò)中引入新的卷積層和注意力層有助于增強(qiáng)模型對(duì)特定任務(wù)的泛化性，與原始基線(xiàn)模型相比，精準(zhǔn)率、召回率、F1分?jǐn)?shù)、IoU和FB-IoU指標(biāo)均顯著提升。（2）前景區(qū)域的

粗粒度編碼策略能夠緩解因局部特征破壞導(dǎo)致上下文信息丟失的問(wèn)題。（3）背景區(qū)域的細(xì)粒度挖掘有助于降低無(wú)關(guān)背景信息的干擾，增強(qiáng)模型對(duì)前景和背景區(qū)域的定位能力。

未來(lái)工作中，將該項(xiàng)研究擴(kuò)展到蘋(píng)果、番茄、馬鈴薯等作物病蟲(chóng)害檢測(cè)任務(wù)中，并嘗試在田間實(shí)際場(chǎng)景中應(yīng)用，提高農(nóng)作物的品質(zhì)和產(chǎn)量，為農(nóng)戶(hù)增加經(jīng)濟(jì)收益助力。

參考文獻(xiàn)：

［1］吳葉輝，李汝嘉，季榮彪，等. 基于隨機(jī)增強(qiáng)Swin-Tiny Transformer的玉米病害識(shí)別及應(yīng)用［J］. 吉林大學(xué)學(xué)報(bào)（理學(xué)版），2024，62（2）：381-390.

［2］李名博，任東悅，郭俊旺，等. 基于改進(jìn)YOLOX-S的玉米病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（3）：237-246.

［3］Xu W，Li W，Wang L，et al. Enhancing corn pest and disease recognition through deep learning： a comprehensive analysis［J］. Agronomy，2023，13（9）： 2242-2251.

［4］張彥通，蘇前敏. 基于遷移學(xué)習(xí)的玉米病害圖像識(shí)別［J］. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2023，25（10）：119-125.

［5］zden C. Corn disease detection using transfer learning［J］. Black Sea Journal of Engineering and Science，2023，6（4）： 387-393.

［6］蘇俊楷，段先華，葉趙兵. 改進(jìn)YOLO v5算法的玉米病害檢測(cè)研究［J］. 計(jì)算機(jī)科學(xué)與探索，2023，17（4）：933-941.

［7］張友為，王鑫鑫，范曉飛. 基于深度學(xué)習(xí)的玉米和番茄病蟲(chóng)害檢測(cè)技術(shù)研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（10）：10-20.

［8］施" 杰，林雙雙，張" 威，等. 基于輕量化改進(jìn)型YOLO v5s的玉米病蟲(chóng)害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2024，40（3）：427-437.

［9］李英輝，王曉寰，趙翠儉. 多特征融合方法在馬鈴薯圖像快速檢測(cè)中的應(yīng)用［J］. 機(jī)械設(shè)計(jì)與制造，2024（8）：54-58.

［10］蘭玉彬，孫斌書(shū)，張樂(lè)春，等. 基于改進(jìn)YOLO v5s的自然場(chǎng)景下生姜葉片病蟲(chóng)害識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2024，40（1）：210-216.

［11］周一帆，劉東洋，周宇平. 基于多模態(tài)特征對(duì)齊的作物病害葉片檢測(cè)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2024，45（7）：180-187.

［12］張家瑜，朱" 銳，邱" 威，等. 基于選擇性注意力神經(jīng)網(wǎng)絡(luò)的木薯葉病害檢測(cè)算法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（5）：254-262，272.

［13］鄭旭康，李志忠，秦俊豪. 基于半監(jiān)督學(xué)習(xí)的梨葉病害檢測(cè)［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（5）：192-201.

［14］Song Y，Zhang H，Li J，et al. High-accuracy maize disease detection based on attention generative adversarial network and few-

shot learning［J］. Plants，2023，12（17）：1-8.

［15］Rezaei M，Diepeveen D，Iaga H，et al. Plant disease recognition in a low data scenario using few-shot learning［J］.Computers and Electronics in Agriculture，2024，219：1-9.

［16］趙恒謙，楊屹峰，劉澤龍，等. 農(nóng)作物葉片病害遷移學(xué)習(xí)分步識(shí)別方法［J］.測(cè)繪通報(bào)，2021（7）：34-38.

［17］Shahoveisi F，Taheri Gorji H，Shahabi S，et al. Application of image processing and transfer learning for the detection of rust disease［J］. Scientific Reports，2023，13（1）：14-26.

［18］Abbas A，Zhang Z，Zheng H，et al. Drones in plant disease assessment，efficient monitoring，and detection： a way forward to smart agriculture［J］. Agronomy，2023，13（6）：15-24.

［19］尚增強(qiáng)，楊東福，馬質(zhì)璞. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的大豆葉片多種病害分類(lèi)識(shí)別［J］.大豆科學(xué)，2021，40（5）：662-668.

［20］Ahmad A，Saraswat D，El Gamal A. A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools［J］.Smart Agricultural Technology，2023，3：1-9.