第 ４３ 卷 第 １ 期 中国农机化学报 Ｖｏ

ｌ．４３ Ｎｏ． １
２１
０５２年１月
２０ Ｊ
ｏｕｒ
ｎａｌｏ
ｆＣ中国农机化学报
ｈｉ
ｎｅｓ
ｅＡｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌＭｅ
ｃｈａｎ
ｉｚａ
ｔｉｏｎ Ｊａｎ２
．０２
２０２
２ 年
２

ＤＯＩ：１０．
１３７３３／
ｊ．ｃ
ｊａｍ．
ｉｓｓｎ．
２０９５ ５５５３．
２０２２．
０１．
０２２

基于卷积神经网络的家蚕病害识别研究 ＊
石洪康１， 肖文福１， 黄亮２， 胡丛武２， 胡光荣１， 张剑飞１
（ ６３７０００；
１．四川省农业科学院蚕业研究所，四川南充，
４００７００）
２．西南大学家蚕基因组生物学国家重点实验室，重庆市，

摘要：病害是我国养蚕业健康发展面临的主要威胁之一，为研究机械化养蚕模式下的家蚕病害防治方法，采用 卷 积 神 经 网
络进行家蚕病害图像的识别研究。首先在实际环境下，采用饲 养 和 添 食 病 原 的 方 法，集 中 获 取 家 蚕 品 种 芳 · 秀 × 白 · 春
在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌 病、农 药 中 毒 以 及 健 康 状 态 的 样 本，并 开 展 图 像 采 集 工 作，构
建出家蚕病害图像数据集。其次采用特征融合和缩减结构的 方 法，对 残 差 神 经 网 络 进 行 部 分 改 进，以 避 免 直 接 使 用 该 算
法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明：卷积神经网络能够高效准确识别家蚕病害图像，使
３１％ ，与标准 的 残 差 神 经 网 络 准 确 率 相 当，但 训 练 的 参 数 量 仅 为 原 来 的 １／３，且
用改进的算法在测试集上的准确率达到 ９４．
识别效率大幅提升，更有利于网络的训练与部署。
关键词：家蚕；病害识别；卷积神经网络；深度学习
中图分类号：
Ｓ８８７．
３ 文献标识码：
Ａ ２０９５ ５５５３ （
文章编号： ２０２２）０１ ０１５０ ０８

Ｊ］．中国农机 化 学 报，２０２２，
石洪康，肖文福，黄亮，胡丛武，胡光荣，张剑飞 ．基于卷积神经网络的家蚕病害识别研究［
４３（１）：１５０－１５７
Ｓｈｉ Ｈｏｎｇｋａｎｇ，Ｘｉ
ａｏ Ｗｅｎ
ｆｕ，Ｈｕａｎｇ Ｌ
ｉａｎｇ，Ｈｕ Ｃｏｎｇｗｕ，Ｈｕ Ｇｕａｎｇ
ｒｏｎｇ，ＺｈａｎｇＪ
ｉａｎ
ｆｅｉ．Ｒｅ
ｓｅａ
ｒｃｈ ｏｎｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ ｏ
ｆ
ｓ
ｉｌｋｗｏｒｍ ｄ
ｉｓｅ
ａｓｅ
ｓｂａ
ｓｅｄｏｎＣｏｎｖｏ
ｌｕｔ
ｉｏｎａ
ｌＮｅｕ
ｒａｌＮｅ
ｔｗｏ
ｒｋ［
Ｊ］．Ｊ
ｏｕｒ
ｎａｌｏ
ｆＣｈ
ｉｎｅ
ｓｅ Ａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌ Ｍｅ
ｃｈａｎ
ｉｚａ
ｔｉｏｎ，２０２２，４３
（１）：１５０－１５７

范围时才能被察 觉，因 此 亟 需 开 展 针 对 规 模 化 养 蚕 的
０ 引言
病害防治新方法研究。
养蚕业是我国 的 传 统 产 业 和 优 势 产 业，历 来 都 是 对农作物病害 图 像 和 健 康 图 像 实 现 准 确 识 别，可
［
１］
我国农业体系 中 重 要 的 组 成 部 分 。 然 而，在 养 蚕 过 有助于开展病害 早 期 预 警 和 精 准 防 治，一 直 是 农 业 信
程中，家蚕十分 容 易 遭 受 病 害 侵 袭，造 成 大 量 的 损 失， 息化领域的研究重点。早期因受到数 据 集 和计 算 机性
据统 计 每 年 因 病 害 造 成 的 蚕 茧 损 失 约 占 总 产 量 的 能的限制，一般 采 用 模 式 识 别 算 法 进 行 研 究 ［６ ９］，取 得
［ ］
１０％ 以上 ２ ３ ，所以病害预防是养蚕过程中 一项十 分重 了一定的效果，但 存 在 人 工 特 征 筛 选、识 别 速 度 慢、以
要的工作。现行的家蚕病害防治方法 主要 是在饲 育季 及依赖的图像 数 量 少 导 致 特 征 表 达 不 够 全 面 等 问 题。
节，定期使用消毒液对蚕房和蚕具进行 严格 消毒，并采 近年来，随着深度学习技术的快速发展，诞生 了许 多 经
用向蚕座中铺撒 石 灰 粉 的 方 式 抑 制 病 原 滋 生，当 察 觉 典的卷积神经网 络 算 法，推 动 了 图 像 识 别 技 术 向 着 更
到出现病害传播时，人工将蚕病及时 进行无 害化 处理， 加智能的方向 发 展。 在 农 业 视 觉 领 域，研 究 人 员 使 用
［
４］
起到人为预警 和 防 治 的 作 用 ，具 有 一 定 的 效 果。 但 卷积神经网络广 泛 地 开 展 病 害 的 识 别 研 究，取 得 了 显
现行的病害防 治 方 法 只 适 用 于 传 统 的 手 工 养 蚕，随 着 著的效果 ［１０ １１］。
我国 养 蚕 业 逐 步 转 向 以 机 械 饲 育 为 主 的 规 模 化 模 郭小清等［１２］研 究 了 番 茄 叶 片 病 害 的 识 别 方 法，采
式 ［５］，过度依赖消 毒 液 和 石 灰 粉 会 导 致 严 重 的 环 境 问 用改进的 Ｍｕ
ｌｔｉ－Ｓ
ｃａｌ
ｅＡｌ
ｅ ｔ算法进行了识别试验，结
ｘＮｅ
题，不利于产业的 长 远 发 展，并 且 采 用 机 械 饲 育 时，人 果表明，该方法对番茄叶部病害及每种病害早中晚期的
［ ］
工直接参与饲喂 的 时 间 较 少，病 害 只 有 在 传 播 到 一 定 ７％ 。黄双萍等 １３ 研究了稻瘟
平均识别准确率达到 ９２．

收稿日期：
２０２１ 年 ２ 月 ２６ 日 修回日期：
２０２１ 年 ７ 月 １ 日
＊ 基金项目：智能农业装备研发南充市重点实验室项目 （ＮＣＫＬ２０２００８）；南 充 市 研 发 资 金 （ ００４２）；现 代 农 业 产 业 技 术 体 系 专 项 （
２０ＹＦＺＪ ＣＡＲＳ—１８—
ＺＪ０４０１）；现代农业学科建设项目（
２０２１ＸＫＪＳ０９４）
第一作者：石洪康，男，
１９９３ 年生，四川剑阁人，硕士，助理研究员；研究方向为智能农业装备。Ｅ－ｍａ
ｉｌ：６５７５３９８００＠ｑｑ．
ｃｏｍ
通讯作者：张剑飞，男，
１９７４ 年生，四川南充人，硕士，研究员；研究方向为农业机械化工程。Ｅ－ｍａ
ｉｌ：ｓｗｕｓｈｋ＠１６３．
ｃｏｍ
第１期 石洪康 等：基于卷积神经网络的家蚕病害识别研究 １５１

病的检测方法，以 １４６７ 株田间样本的高光谱图像为识 行添食，家蚕食入后会造成感染，具体 是 在 蚕 病 学 专 家

别对象，采用基于 ＧｏｏｇＬｅＮｅ
ｔ的改进算法进行了识别试 的辅助下开展的，根据家蚕几种病害的 发 病时 间，并 确
［
１４］
０％ 。Ｘ
验，最高识 别准确 率为 ９２． ｉｎｇ 等 进行 了柑 橘 保参与识别的家 蚕 处 于 相 同 的 生 长 阶 段，将 每 种 病 原
叶片病虫害的识别研究，采用增加跨通道运算和特征重 的使用剂量控 制 在 从 ４ 龄 第 四 天 开 始 发 病，因 此 在 ３
用的频率来延伸网络深度的方法，设计了一种弱连接的 龄第一天添食 微 粒 子 病 原，
４龄第一天添食脓病病原
卷积神经网络（Ｗｅ
ａｋｌ
ｙＤｅ
ｎｓ ｔ－１６），试验结果表明，该
ｅＮｅ （
ＮＰＶ，血液型脓 病 ）、白 僵 病 原、
４龄第三天进行细菌
方法对柑橘叶片病虫害的识别准确率 可达到 ９３． ４２％ 。 病原添食。使用 的 农 药 名 称 为 敌 杀 死，其 主 要 成 分 为
［
１５］
何欣等 研究了葡萄叶片病害识别方法，通过引入多尺 溴氰菊酯，该农药主要用于农作物害虫 防 治，田 间使 用
度卷积核组合的方式改进 Ｒｅ ｔ底层对不同尺度特征
ｓＮｅ 时会影响周边的 桑 园，是 造 成 家 蚕 农 药 中 毒 的 主 要 原
的响应，设 计 了 一 种 基 于 Ｍｕ
ｌｔｉ－Ｓ
ｃａｌ
ｅＲｅ ｔ的 多 尺 度
ｓＮｅ 因。使用的剂量是在 １０Ｌ 水中加 入 ４ 滴 后 浸 泡 桑叶，
残差神经算法，试验结果表明该方法 ８ 种葡萄病害叶片 再将桑叶晾干后再进行添食。用作获 取 病 害 的 样 本 只
８３％ 。
的平均识别率为 ９０． 感染一次病原，后 续 仍 然 按 照 饲 育 规 程 正 常 饲 育。 农
综上所示，卷积 神 经 网 络 可 对 农 作 物 病 害 实 现 准 药中毒组是在采集图像前，取出部分家蚕进行添食。
确高效的识别，结合家蚕患病后，会与健康家蚕表现 出
不同的视觉特征 ［２］，基于此，本文 提出采用 卷积 神 经网
络进行家蚕病害 的 识 别 研 究，为 规 模 化 养 蚕 模 式 下 的
病害防治研究提供参照。

１ 材料与方法
（
ａ）病原涂抹桑叶 （
ｂ）进行病原添食
１ 家蚕品种选择
１． 图 １ 病蚕样本获取过程
家蚕在我国饲养广泛，因气候条 件不 同，各地的 主 Ｆ
ｉｇ．１ Ａｃ
ｑｕｉ
ｓｉｔ
ｉｏｎｐ
ｒｏｃ
ｅｓｓｏ
ｆｄｉ
ｓｅａ
ｓｅｄｓ
ｉｌｋｗｏ
ｒｍｓ
ａｍｐ
ｌｅｓ
要推广的品种也不相同。然而不同的家蚕品种外 表会 ３ 图像采集
１．
有所差异，且同 一 品 种 在 不 同 的 生 长 阶 段 下 患 同 一 疾 从 ４ 龄第四天 开 始 采 集 图 像，每 天 均 在 蚕 病 学 专
病后也表现出不同的特征，为便于开 展研究，结合 生产 家的指导下，仅对确诊染病的家蚕采集图 像，且 为 避免
实际中的推广量 和 抗 病 能 力，选 择 我 国 西 南 蚕 区 的 主 交叉感染，所有采集过图像的家蚕均不 再 进行 饲 养，直
推品种之一，芳 · 绣 × 白 · 春 ［１６］为 试 验 对 象，该 家 蚕 接对其进行无害化处理。
品种的外观主要呈白色，花纹较少，且对病害的抵 抗能 使用 ６ 个型号完 全相 同 的智能 手 机 为 图 像 采 集 装
力较弱。并且根据家蚕病害通常在小蚕期染病和大 蚕 置，品牌是ｉ ｅ６ｓ，具有 １２００ 万像素，采集环境为室
Ｐｈｏｎ
期发病的特点，以及病害样本获取的 难易 程度，选择 生 内自然光照，农药中毒组的家蚕在添食农药２０ｍｉ
ｎ后开
长阶段为大蚕期的家蚕开展识别试验。 始采 集，其 他 家 蚕 的 采 集 时 间 为 每 一 天 的 １３：
００ 至
２ 病蚕样本获取
１． １７：
００，以此确保家蚕的生长期基本相同。采集时，使用
卷积神经网络 可 自 行 进 行 图 像 特 征 提 取，但 对 图 一个三脚 架 将 采 集 装 置 的 位 置 固 定，并 使 镜 头 竖 直 朝
像的数量有一定的要求，数量较少时，难以提 取到足 够 下，如图 ２ 所示，将家蚕从蚕箔中取出放置在镜头下，保
的特征，无 法 确 保 形 成 可 靠 的 识 别 能 力 ［１７］。 此 外，为 持正常姿态，使 用桑 叶为图 像 背景，并在采 集过程 中 频
使训练出的模型 具 有 较 强 的 应 用 能 力，最 佳 的 方 法 是 繁更换桑叶。为 确 保 尺 寸 缩 放 后，家 蚕 形 状 不 发 生 变
直接从实际养蚕 中 获 取 病 蚕 样 本，但 这 种 方 法 在 实 际 化，将采集装置的屏幕拍摄长宽比设置为 １∶１，焦距设
环境中难以开展，因一旦出现病害滋 生，就必须要 对病 置为固定高度下屏幕能够包含完整蚕体的距离。
蚕进行无害化处理，防止病害的进 一步传 播。 对 此，为
集中获取充足的 样 本 用 于 构 建 数 据 集，并 保 证 图 像 所
属病害种类的准 确 性，采 用 饲 养 和 感 染 病 原 的 方 法 集
中获取病蚕样本。
饲养方法是在 相 同 的 环 境 下，按 照 饲 育 规 程 将 蚕
卵孵化 并 饲 养 至 ３ 龄，再 将 其 分 为 ６ 组，每 组 数 量 约
７００ 只，其 中 ５ 组 用 于 病 害 样 本，
１ 组 用 于 健 康 样 本。 图 ２ 图像采集装置
感染病原的方法是用病原污染桑叶，如图 １ 所示，再进 Ｆ
ｉｇ．２ Ｉｍａｇｅａ
ｃｑｕ
ｉｓｉ
ｔｉｏｎｄｅ
ｖｉｃ
ｅ
１５２ 中国农机化学报 ２０２２ 年

４ 数据集构建图像编码
１． 每种类别的家蚕 图 像 尺 寸 缩 放 结 果 如 图 ３ 所 示，并 将
采集装置 获 取 的 原 始 图 像 尺 寸 为 ３０２４ 像 素 × 相同类别的图像 放 置 在 同 一 文 件 夹 下，构 建 了 家 蚕 病
３０２４ 像素，该尺寸超出了一般卷积神经网络的输入尺 害图像数据集，图像总数为 ３６００ 张，如 表 １ 所 示。 并
［
１８］
寸，采用 双线 性插值 法 将图 像尺寸 缩放为 ２２４ 像 素 采用随机 挑 选 图 像 的 方 法，数 量 按 照 ６∶２∶２ 的 比 例
×２２４ 像 素，除 此之外未进行任 何的 图 像预 处理操 作。 将数据集拆分成训练集、验证集和测试集。

（
ａ）白僵病 （
ｂ）农药中毒 （
ｃ）脓病 （
ｄ）微粒子病 （
ｅ）细菌病 （
ｆ）健康家蚕
图 ３ 相同生长阶段下的健康家蚕和患病家蚕
Ｆ
ｉｇ．３ Ｈｅ
ａｌｔ
ｈｙａｎｄｄ
ｉｓｅ
ａｓｅｄｓ
ｉｌｋｗｏ
ｒｍｓａ
ｔｓａｍｅｇ
ｒ ｈｓ
ｏｗｔ ｔ
ａｇｅ
表 １ 家蚕病害图像数据集
Ｔａｂ．１ Ｓ
ｉｌｋｗｏ
ｒｍ ｄ
ｉｓｅ
ａｓｅｉｍａｇｅｄａ
ｔａｓ
ｅｔ

种类 图像总数／张 ４ 龄第四天／张 ４ 眠第一天／张 ４ 眠第二天／张 ５ 龄第一天／张 类别标签

白僵病 ６００ ８６ ２８１ １７９ ５４ ０

农药中毒 ６００ ２４４ ０ ０ ３５６ １
健康家蚕 ６００ ３００ ０ ０ ３００ ２
脓病 ６００ １７８ １９８ １０２ １２２ ３
微粒子病 ６００ ３０５ ２０６ ６９ ２０ ４
细菌病 ６００ ３６６ １９８ ３４ ０ ５

注：添食病原后，许多家蚕在 ４ 龄第四天后未休眠。

使用卷积 神 经 网 络 进 行 图 像 运 算 前，需 先 对 图 像 的思想，如 Ｉ

ｎｃｅｐ
ｔｉｏｎ－Ｒｅ ｔ、
ｓＮｅ Ｄｅｎｓ ｔ和 ＹＯＬＯ ｖ３。
ｅＮｅ
类别进行 编 码。 分 类 识 别 一 般 采 用 ｏｎｅ－ｈｏ
ｔ 编 码，其 因此本文选择残差神经网络进行家蚕 病 害 的 分类 识 别
向量格式为 ｙ ＝ （
ｃ１ ，
ｃ２ …ｃｊ） ，其中，
Ｔ
ｊ 为图像类别数 研究，可以确保达到理想的识别结果。
量。编码方法是将每个类别图像在编码向量中对 应元
素的值设为 １，其 他 元 素 值 设 为 ０。 例 如，假 设 白 僵 病
图像对应在编码 向 量 中 第 一 个 元 素 值，则 对 于 该 类 图
像，其类 别 编 码 结 果 为 ｙ ＝ （
１，０，
０，０，
０，０）
Ｔ
，并 且 在
卷积神经网络的 输 出 结 果 向 量 中，第 一 个 元 素 值 为 图
像属于白僵病类别的概率值。
本文对于训练 集 和 验 证 集 中 的 图 像，直 接 使 用 深 图 ４ 残差连接示意图
度学 习 开 发 工 具 Ｋｅ
ｒａｓ 提 供 的 ＩｍａｇｅＤａ
ｔａＧｅｎｅ
ｒａｔ
ｏｒ Ｆ
ｉｇ．４ Ｒｅｓ
ｉｄｕａ
ｌｃｏｎｎｅ
ｃｔｉ
ｏｎｄ
ｉａｇ
ｒａｍ

工具包从文件夹中自动读取图像类别并编码。 对 于测 根据训练参 数 量，
Ｒｅ ｔ 又 可 分 为 多 个 版 本，通
ｓＮｅ
试集的图像，使用 Ｐｙ
ｔｈｏｎ 工具依次将图像存储在 一个 常采用 Ｒｅ ｔ后跟参数层数字表示网络的版本，例如
ｓＮｅ
数组中，数组中单个元素为图像的像 素值组 成的 数组， Ｒｅ ｔ－１８、Ｒｅ
ｓＮｅ ｔ－５０ 和 Ｒｅ
ｓＮｅ ｔ－１０１ 等。 其 中，
ｓＮｅ
再将每张图像的类别标签对应存储在另一数组中。 Ｒｅ ｔ－５０ 的应用相对广泛的版 本，其 整 体 结 构 如 图
ｓＮｅ
５ 残差神经网络的结构
１． ５ 所示，主要由 Ｃｏｎｖｏ
ｌｕｔ
ｉ ｌ块和 Ｉ
ｏｎａ ｄｅｎ
ｔｉｙ 块 构成，其
ｔ
残差神经网 络 （ ＲｅｓＮｅｔ）是 由 Ｈｅ 等 在 ２０１５ 设 计 输入为 ２２４ 像素 ×２２４ 像素的彩色图像。
的，并获得 了 该 年 度 的 ＩＬＳＶＲＣ＆ＣＯＣＯ 竞 赛 的 目 标 图 ５ 中：“
Ｃｏｎｖ”代 表 卷 积 层，“
７×７ Ｃｏｎｖ，
６４，
检测和定 位 任 务 的 冠 军 成 绩。Ｒｅ ｔ的 核 心 思 想 是
ｓＮｅ ｓ
ｔｒｄｅ＝２”代表该卷 积 层 上 使 用 ６４ 个 尺 寸 为 ７×７ 的
ｉ
将网络靠前层的特征跨越连接到靠后层，如图 ４ 所示， 卷积核按 步 长 为 ２ 进 行 卷 积 运 算；“３×３ ＭａｘＰｏｏｌ，
通过特征共享实现增加网络深度的同时避免 出现 梯度 ｓ
ｔｒｄｅ＝２”代表池化层上使用尺寸为 ３×３ 的池化核 进
ｉ
消失或爆炸。因 Ｒｅ ｔ在 特 征 提 取 上 展 现 的 优 异 性
ｓＮｅ 行最大值池化运算，“ Ｉｄｅｎ
ｔｉｔ
ｙｂｏｃｋ”后“×３”代表 该 结
ｌ
能，使得后续出 现 的 经 典 网 络 基 本 都 借 鉴 了 残 差 连 接 构重 复 ３ 次；Ａｖｅ
ｒａｇｅＰｏｏ
ｌｉｎｇ 代 表 全 局 平 均 值 池 化；
第１期 石洪康 等：基于卷积神经网络的家蚕病害识别研究 １５３

“
ＦＣ－６”代表全连接层，输出类别个数为 ６。 包括 Ｒｅ ｔ在 内 的 经 典 卷 积 神 经 网 络 都 是 利 用
ｓＮｅ
ＣＯＣＯ 和 ＶＯＣ 等大 型数 据 集 进 行 设 计 训 练 的，而 在 这
些数据集上图像类别和数量都非常多，所以经典神经网
络的参数量多，网络 结构 庞 大，应用在 自 建 微型 数 据 集
上必然会出现不 必要的计 算 耗损，还可 能出 现过 拟 合，
造成识 别 准 确 率 下 降。对 此，本 文 采 用 对 Ｒｅ
ｓＮｅ
ｔ－５０
进行部分修改，减少训练的参数量，提升运算效率。
对 Ｒｅ ｔ－５０ 修改后的结构如图 ７ 所示。
ｓＮｅ

图 ５ Ｒｅ ｔ－５０ 网络结构示意图
ｓＮｅ
Ｆ
ｉｇ．５ ＲｅｓＮｅ
ｔ－５０ｎｅｔｗｏｒ
ｋｓｔ
ｒｕｃ
ｔｕｒ
ｅｄｉ
ａｇｒ
ａｍ

Ｃｏｎｖｏ
ｌｕｔ
ｉ ｌ块 和 Ｉ
ｏｎａ ｄｅｎ
ｔｉｙ块的结构如图６所
ｔ
示，在 Ｃｏｎｖｏ
ｌｕｔ
ｉ ｌ块 上 的 运 算 分 为 ２ 组，第 一 运 算
ｏｎａ
是对特征图使用尺寸为 １×１，
３×３ 和 １×１ 的 卷 积 核 图 ７ 改进的 Ｒｅ ｔ网络
ｓＮｅ
进行 ３ 次卷积运算，另外一组运算是 在残差 连接 上，对 Ｆ
ｉｇ．７ Ｍｏｄｉ
ｆｉｅｄＲｅ
ｓＮｅｔｎｅ
ｔｗｏ
ｒｋ
特征图使用尺寸为 １×１ 的卷积核进行卷积运 算，并将 图中 “
１× ”等 代 表 Ｉ
ｄｅｎ
ｔｉｔ
ｙｂｏｃｋ 数 量，“
ｌ １１２×
２ 次 运 算 的 结 果 合 并，激 活 后 传 输 到 下 一 层，“
ＢＮ”代 １１２×３２”等代表该部分运算后的输 出 维度。 为 便 于表
“ ”
表批量归 一 化， ＲｅＬＵ 代 表 特 征 值 激 活，在 Ｉ ｄｅｎ
ｔｉｔ
ｙ 述，先 将 ＲｅｓＮｅｔ－５０ 的 ４ 个 Ｉｄｅｎ
ｔｉｙ块分别命名为
ｔ
块上，也将执行与 Ｃｏｎｖｏ
ｌｕｔ
ｉ ｌ块上第一 组 相 同 的 运
ｏｎａ Ｉ
ｄｅｎ
ｔｉｔ
ｙｂｌｏｃｋ Ａ～Ｄ， 将 其 数 量 分 别 减 少 为 １、
２、２、
１
算，并 将 结 果 直 接 输 入 特 征 合 并 后 传 递 至 下 一 层。 个，将网络所有 卷 积 运 算 层 上 卷 积 核 的 数 量 减 少 为 原
Ｃｏｎｖｏ
ｌｕｔ
ｉ ｌ块上有 ２ 次 １×１ 的 卷 积 运 算 的 步 长 为
ｏｎａ 来的 １／２，将结构缩减后的网络命名为缩减的 Ｒｅ ｔ；
ｓＮｅ
２，所以会使 特 征 图 的 维 度 降 低，而 Ｉ
ｄｅｎ
ｔｉｙ块的特征
ｔ 其次在结构缩减的基础上，采用 对 Ｉ
ｄｅｎ
ｔｉｔ
ｙｂｏｃｋ Ｃ 和
ｌ
图输入和输出维度不发生变化，用于增加网络深度。 Ｉ
ｄｅｎ
ｔｉｔ
ｙｂｏｃｋＤ 进行特征 融 合 的 方 法，来 增 强 网 络 的
ｌ
特征表达 能 力。 具 体 为：对 于 任 意 输 入 图 像，在 经 过
Ｉｄｅｎ
ｔｉｔ
ｙｂｏｃｋ Ｄ 的 运 算 后，其 输 出 特 征 图 的 维 度 为
ｌ
７×７×１０２４，为进行特征融合，采用 ２５６ 个尺寸 为 １×
１ 的卷积核 进 行 卷 积 运 算，特 征 图 的 维 度 调 整 为 ７×
７×２５６，然后 对 其 进 行 上 采 样 运 算 （ＵｐＳａｍｐ
ｌｉｎｇ２Ｄ），
将其 特 征 维 度 还 原 成 １４×１４×２５６，再 与 Ｉ
ｄｅｎ
ｔｉｔ
ｙ
ｂ
ｌｏｃｋＣ 的 输 出 特 征 图 合 并 （
Ｃｏｎｃ
ａｔｅｎａ
ｔｅ）运 算，合 并
后的特征图维 度 为 １４×１４×７６８；最 后 对 融 合 后 的 特
征分别进行一 次 Ｃｏｎｖｏ
ｌｕｔ
ｉ ｌ块 和 Ｉ
ｏｎａ ｄｅｎ
ｔｉｙ 块 运 算，
ｔ
图 ６ Ｃｏｎｖ
特征图的输出 维 度 变 为 ７×７×５１２，并 采 用 全 局 平 均
ｏｌ
ｕｔｉ
ｏｎａｌ和 Ｉ
ｄｅｎｔ
ｉｔｙ块
Ｆ
ｉｇ．６ Ｃｏｎｖｏ
ｌｕｔ
ｉｏｎａｌｂｌ
ｏｃｋａｎｄＩｄｅｎｔ
ｉｔｙｂ
ｌｏｃｋ 值池化和全连接 运 算 后 输 出 预 测 结 果，将 结 构 缩 减 和
１５４ 中国农机化学报 ２０２２ 年

特征融合后的网络命名为改进的 Ｒｅ ｔ。
ｓＮｅ 模型的检测时间。
使用上采用运算进行特征图尺寸还原时，采取的运 ２ 网络训练与测试
２．
算方式不同，
会得到不同的采样结果，常用的运算方式包 对本 文 改 进 的 Ｒｅ ｔ网 络 训 练 使 用 的 超 参 数 分
ｓＮｅ
括插值、
反卷积和池化逆运算等，本文采用的运算方式为 ００１，在 训 练 过 程 中，以 训 练 集
别是，初 始 学 习 率 为 ０．
１ ２ 损失值为参照，当 该 值 连 续 ５ 次 迭 代 而 未 出 现 明 显 下
平均池化的逆运算，
其原理为：对于特征图 Ａ ＝
［３ ４］， ８，
降时，就将学习率乘以 ０． ｂａ
ｔｃｈ＿
ｓｉｅ为 １６，损失函 数
ｚ
２，
在采样因子为（ ２）时，使用平均池化的逆运算对其上采 为交叉熵，优化 器 为 Ａｄａｍ，迭 代 次 数 为 ２００ 次。 记 录
１ １ ２ ２ 网络在训练集和 测 试 集 上 的 准 确 率 与 损 失 值，用 于 评
■ ■
１ １ ２ ２ 价网络的训练效果，如图 ９ 所示。
用的结果为 ＵｐＳ
ａｍｐ
ｌｉ ２Ｄ（
ｎｇ Ａ）＝ 。
３ ３ ４ ４
■３ ３ ４ ４■
特 征图合并的原理如图８ 所示，将维度为 ｍ×ｍ×
ｎ 的特征图与 ｍ ×ｍ ×ｋ 的特征图进行合并运算，合并
后特征图维度变为 ｍ × ｍ × （ｎ＋ｋ）。

（
ａ）准确率

图 ８ 特征图合并示意图
Ｆ
ｉｇ．８ Ｃｏｎｃ
ａｔｅｎａ
ｔｅｏｐｅ
ｒａｔ
ｉｏｎｏ
ｆｆｅ
ａｔｕ
ｒｅｍａｐｓ

２ 结果与分析

１ 试验环境与方法
２．
主要试验的 硬 件 环 境 为 ＤＥＬＬ Ｐｒ
ｅｃｉ
ｓｉｏｎ５８２０ 工
作站（设备一），其处理器为 Ｉ
ｎｔｌ（
ｅ Ｒ）Ｃｏ
ｒ ７－９８００Ｘ，
ｅｉ
图像显卡为 ＲＴＸ２０８０Ｔｉ，具备 １１Ｇ 内存，计算平台为 （
ｂ）损失值

Ｃｕｄａ－１０． ０。 此 外，部 分 试 验 使 用 了 Ｌｅｎｏｖｏ Ｌｅｇ

ｉｏｎ 图 ９ 改进的 Ｒｅ ｔ的训练过程
ｓＮｅ
Ｆ
ｉｇ．９ Ｔｒａ
ｉｎｉ
ｎ ｒ
ｇｐｏｃ
ｅｓｓｏｆ Ｍｏｄ
ｉｆｉ
ｅｄＲｅ
ｓＮｅ
ｔ
Ｙ７０００ 笔 记 本 电 脑 （设 备 二 ），其 处 理 器 为 Ｉ
ｎｔｅｌ（Ｒ）
从网络在训练集和验证集上的准确 率 与 损 失 值 的
Ｃｏ
ｒ ５－８３００Ｈ，显卡为 ＧＴＸ１０５０Ｔｉ，具备 ４Ｇ 内存。
ｅｉ
两套 设 备 的 软 件 环 境 相 同，均 是 Ｗｉ 变化 过 程 可 以 得 出，在 本 研 究 的 试 验 环 境 下，改 进 的
ｎｄｏｗｓ１０ 专 业 版
操作系统，编 程 语 言 为 Ｐｙ ｔ
ｈｏｎ３． ，
７ 深度学习框架为 Ｒｅ ｔ在约经过 ７５ 次 迭 代 就 处 于 稳 定 状 态，并 且 在
ｓＮｅ
训练集 和验 证集 上 的准确 率 都在 ９５％ 以上，训 练 效 果
Ｔｅｎｓｏ
ｒＦｌ １４ 和 Ｋｅ
ｏｗ１． ｒａｓ２．
２．５，编译环境为Ｊｕｐｙ
ｔｅｒ
。 较为理想。
ｎｏｔ
ｅｂｏｏｋ
试验方法是先使用训练集和验证集 在设 备一上 进 网络训练结束后，使用测试集上对 其进行 测 试，将

行网络训练，再使用测试集对网络进行 测试，以测 试集 识别结果的混淆矩阵输出，结果表 ２ 所示。

上的准确率和 测 试 集 上 的 识 别 时 间 为 试 验 评 价 指 标， 在混淆矩阵中，主 对 角 线 上 的 数 值 表 示 网 络 正 确

１）所示。
准确率的计算公式如式（ 识别的图像数量，其他位置则是误识别 的 数量，从 中 可

正确识别数量 以得出，发生误识别较多的是，将 ７ 张 农 药 中 毒 图 像 误
准确率 ＝ ×１００％ （
１）
测试集上图像总数量 识别成健康家蚕图像，将 １１ 张健康图 像 误 识 别 为 农 药
测试集上识别时间的计算方法是在测试前和 识别 中毒图像，将 ４ 张微粒子病图像识别成 细 菌病 图 像，将
结束后读取当前 系 统 时 间，再 求 两 个 时 间 点 的 差 获 得 ６ 张细 菌 病 图 像 识 别 成 微 粒 子 病 图 像。 最 终 使 用 式
第１期 石洪康 等：基于卷积神经网络的家蚕病害识别研究 １５５

（
１）求得网络在测试集上的识别准确率为 ９４．
３１％ 。 于，部分家蚕在 轻 量 的 农 药 中 毒 后，身 体 呈 现 卧 伏 状，
表 ２ 测试集家蚕病害图像识别统计结果的混淆矩阵 与健康的家蚕特 征 非 常 类 似，且 部 分 健 康 家 蚕 在 进 行
Ｔａｂ．２ Ｃｏｎｆｕｓ
ｉｏｎ ｍａｔ
ｒｉｘｏｆｔｈｅｓｔ
ａｔｉ
ｓｔｉ
ｃｓｏｆｔ
ｈｅ 图像采集，受到 人 为 刺 激，蚕 体 蜷 缩 后，与 农 药 中 毒 特
ｓ
ｉｌｋｗｏ
ｒｍ ｄ
ｉｓｅ
ａｓｅｉｍａｇｅｒｅｃｏｇｎ
ｉｔｉ
ｏｎｏｎｔｈｅｔｅ
ｓｔｓｅｔ
征相似。此外，部分家蚕在感染微粒子 病 和细 菌 病 后，
农药 健康 微粒 未能够准时休眠和蜕皮，呈现出半蜕 皮 状 态，在 外观 上
家蚕类别 白僵病 脓病 细菌病
中毒 家蚕 子病
非常相似，容易造成误识别。
白僵病 １１８ ０ ２ ０ ０ ０ ３ 与 ＲｅｓＮｅ
２． ｔ－５０ 的对比试验
农药中毒 ０ １０９ ７ ０ １ ３ 为验 证 改 进 后 的 Ｒｅ ｔ算 法 对 家 蚕 病 害 图 像 的
ｓＮｅ
健康家蚕 ２ １１ １０７ ０ ０ ０ 识别性能，本节使用标准的 Ｒｅ ｔ－５０ 和经过结构缩
ｓＮｅ
脓病 ０ ０ ０ １２０ ０ ０
减的 Ｒｅ ｔ网络在相 同 的 环 境 下 进 行 家 蚕 病 害 的 识
ｓＮｅ
微粒子病 ０ ０ ３ １ １１２ ４
别试验，即使用 ２．
２节中的超参数在设备一上进行网
细菌病 ０ ０ １ ０ ６ １１３
络训练，并分别在设备一和设备二上进行 测试，记 录 各
查看测试集 中 所 有 误 识 别 的 图 像 后，分 析 造 成 部 个网络的单次 迭 代 时 间、在 测 试 集 上 识 别 准 确 率 和 测
分健康家蚕与农药中毒蚕出现混淆识别的原因可 能在 试时间等，结果如表 ３ 所示。
表 ３ ３ 种网络的结果对比结果
Ｔａｂ．３ Ｃｏｍｐａ
ｒｉｓ
ｏｎｒ
ｅｓｕ
ｌｔｓｏ
ｆｔｈｅｔ
ｈｒｅ
ｅｎｅ
ｔｗｏ
ｒｋｓ

单次迭代 网络参 权重大小 训练集 测试集 设备一测试集 设备二测试集

网络名称
时间／ｓ 数量 ／ｋｂ 准确率／％ 准确率／％ 检测耗时／ｓ 检测耗时／ｓ

Ｒｅ
ｓＮｅ
ｔ－５０ ２９ ２３５４６８８６ ９２５９４ ９９．
４４ ９４．
７２ ２．
６７ １７８．
６０
缩减的 Ｒｅ
ｓＮｅ
ｔ ２６ ３８７９８１４ １５４２６ ９９．
０１ ９３．
１５ １．
４６ ４６．
２２
改进的 Ｒｅ
ｓＮｅ
ｔ ２７ ７１３０２４６ ３６９３６ ９９．
３３ ９４．
３１ １．
７３ ５６．
６１

从对比结果可得，在对标准的 Ｒｅ ｔ－５０ 网络进

ｓＮｅ
行结构缩减后，会 使 网 络 的 参 数 量 和 权 重 文 件 的 大 小
大幅减少，也会 使 网 络 在 训 练 集 和 测 试 集 上 的 准 确 率
降低，但对网络 的 单 次 迭 代 时 间 却 无 明 显 改 变。 在 缩
减网络的基础上，通 过 对 不 同 维 度 的 特 征 进 行 融 合 的
方法，可以在参数量和权重大小大 幅降低 的情况下，保
持与标准的 Ｒｅ ｔ－５０ 网 络 相 当 的 测 试 准 确 率，在 对
ｓＮｅ
测试集的识别效率也大幅提升，尤其是将训练出的模型
从专业图像设备（设备一）移植到普通设备（设备二）时，
改进的 Ｒｅ ｔ网 络 的 测 试 耗 时 仅 为 标 准 Ｒｅ
ｓＮｅ ｓＮｅ
ｔ－５０
的 １／３ 左右，表现 出 了 非 常 明 显 的 优 势。此 外，分 析 ３
种网络的单次迭代时 间和 测试集 的检测耗时上 的 出现
的差异，即对 Ｒｅ ｔ－５０ 的结构缩减后，对单次 迭 代时
ｓＮｅ
间无明显改变，但 在 测 试 集 上 的 检 测 时 间 却 大 幅 度 降
低，鉴于在测试集上测试时，卷积神经网络只进行 了前
向传播，残差神经网络主要是进行图 像卷积运 算，而单
次迭代同时包含 一 次 前 向 传 播 和 反 向 传 播，可 以 得 出
结论是，卷积神 经 网 络 的 反 向 传 播，包 括 计 算 损 失 值、
计算损失函数对 各 个 参 数 层 的 偏 导 数、参 数 更 新 等 会
耗费主要的迭代时间。
３ 结论
针对现有的病 害 防 治 方 法 无 法 满 足 规 模 化 养 蚕
需 求 的 问 题 ，本 文 使 用 卷 积 神 经 网 络 对 家 蚕 常 见 病
害图像的进行了识别研究。
主要 内 容 包 括 ：首 先 采 用 实 际 饲 喂 和 感 染 病 原 的
方法集中获取了家 蚕 品 种 芳 · 绣 × 白 · 春 在 大 蚕 期
部 分 生 长 阶 段 的 病 害 样 本 和 健 康 样 本 ，病 害 种 类 包
含 白 僵 病 、农 药 中 毒 、脓 病 、微 粒 子 病 、细 菌 病 ；其 次
在 实 际 环 境 下 进 行 了 图 像 采 集 ，构 建 了 家 蚕 病 害 图
像 数 据 集 ，总 数 达 到 ３６００ 张 ；然 后 采 用 特 征 融 合 和
结 构 缩 减 的 方 法 对 ＲｅｓＮｅｔ－５０ 网 络 进 行 了 部 分 修
改 ，以 减 少 直 接 使 用 该 方 法 时 的 计 算 耗 损 ；最 后 进 行
了 家 蚕 病 害 的 识 别 试 验 ，结 果 表 明 ，使 用 Ｒｅ
ｓＮｅ
ｔ－５０
网 络 进 行 家 蚕 病 害 的 识 别 时 ，在 测 试 集 上 的 准 确 率
可 达 到 ９４．７２％ ；使 用 缩 减 的 ＲｅｓＮｅｔ网 络 在 测 试 集
１５％ ，且 网 络 的 训 练 参 数 量 约
上 的 识 别 准 确 率 为 ９３．
为 原 来 的 １／６；使 用 结 构 缩 减 和 特 征 融 合 对 Ｒｅ
ｓＮｅ
ｔ－
５０ 进 行 改 进 的 方 法 ，设 计 的 改 进 的 Ｒｅ
ｓＮｅｔ网 络 在 测
试 集 上 的 准 确 率 可 为 ９４． ３１％ ，与 Ｒｅ ｔ－５０ 的 准
ｓＮｅ
确 率 相 当 ，但 网 络 训 练 参 数 量 仅 为 原 来 的 １／３，能 够
同 时 兼 顾 识 别 准 确 率 和 运 算 效 率 ，更 有 利 于 网 络 的
训练与部署。
本文研究表明了卷积神经网络可实 现 对 家 蚕 病 害
图像的高效准确识别，但仍然存在一些 不 足之 处，最 主
要的是数据集的 构 建 上，首 先 是 在 固 定 的 场 景 下 进 行
的图像采集，不 能 保 证 训 练 的 模 型 对 其 他 的 采 集 设 备
或在其他环境下采集的图像形成良好 的识 别能 力。 其
１５６ 中国农机化学报 ２０２２ 年

次是只采集了部 分 生 长 阶 段 的 图 像，然 而 数 据 多 样 性 ［
８］胡秋霞 ．基于图像分析的植物叶部病害识别方法研究［
Ｄ］．
还有待提升，因此还需重复样本获取 试验，以获得不 同 杨凌：西北农林科技大学，２０１３．
Ｈｕ Ｑｉ
ｕｘｉ
ａ．Ｐ
ｌａｎ
ｔｌｅ
ａｆｄ
ｉｓｅ
ａｓｅｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ ｂ
ａｓｅ
ｄ ｏｎ ｉｍａ
ｇｅ
生长阶段下的病蚕样本。最后是每张图像中仅包含 了
ａ
ｎａｌ
ｙｓｓ［
ｉ Ｄ］．Ｙａ
ｎｇｌ
ｉｎｇ：Ｎｏ
ｒｔｈｗｅ
ｓｔＡ ＆ Ｆ Ｕｎ
ｉｖｅ
ｒｓｉ
ｔｙ，２０１３．
一个家蚕的图像，但在实际养蚕环境下，出现病害 传播
［
９］秦丰，刘东霞，孙炳达，等 ．基于图像处理技术的四种苜蓿
时，往往是健康家蚕与患病家蚕共存，或是健康家 蚕夹 叶部病害的 识 别 ［
Ｊ］．中 国 农 业 大 学 学 报，２０１６，２１（
１０）：
杂着患病家蚕，所 以 本 文 的 图 像 采 集 方 法 还 需 要 进 一 ６５－７５．
步改进。 ｎＦｅｎｇ，Ｌ
Ｑｉ ｉｕＤｏｎｇｘ
ｉａ，ＳｕｎＢ
ｉｎｇｄａ，ｅ
ｔａｌ．Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎｏ
ｆ
在后续的研究 中，计 划 进 一 步 增 强 数 据 集 中 图 像 ｆ
ｏｕｒｄｉｆ
ｆｅｒ
ｅｎｔａｌ
ｆａｌ
ｆａｌ
ｅａｆｄ
ｉｓｅ
ａｓｅ
ｓｂａｓｅｄｏｎｉｍａｇｅｐｒｏｃ
ｅｓｓｉｎｇ
ｔ
ｅｃｈｎｏ
ｌｏｇｙ ［
Ｊ］．Ｊｏｕｒ
ｎａｌｏｆＣｈｉ
ｎａ Ａｇｒ
ｉｃｕ
ｌｔｕ
ｒａｌ Ｕｎ
ｉｖｅｒｓ
ｉｔｙ，
的多样性，包含不同的家蚕品种、不同的生 长阶段 以及
２０１６，２１（１０）：６５－７５．
不同的病变程度，并 且 将 研 究 重 点 放 在 当 患 病 家 蚕 和
［
１０］Ｋａｍｉｌ
ａｒｓ Ａ， Ｐｒ
ｉ ｅｎａｆｅ
ｔａ－Ｂｏ
ｌｄｕ Ｆ Ｘ． Ｄｅ
ｅｐ ｌｅａ
ｒｎｉ
ｎｇ ｉ
ｎ
健康家蚕混杂的 情 况 下，利 用 卷 积 神 经 网 络 对 病 蚕 进 ａｇｒ
ｉｃｕ
ｌｔｕ
ｒ ｅ：Ａ ｓｕ
ｒ ｖｅｙ ［
Ｊ］．Ｃｏｍｐｕｔｅ
ｒｓａｎｄ Ｅｌ
ｅｃｔ
ｒｏｎ
ｉｃｓｉ
ｎ
行定位检测，以及家蚕病变过程中早 期识别 与预 警，这 Ａｇｒｉ
ｃｕｌ
ｔｕ ｅ，２０１８，１４７：７０－９０．
ｒ
样能够更加有助于开发智能病害早期预警与精准 防治 ［
１１］Ｌｉ Ｚ， Ｙａｎｇ Ｙ， Ｌ ｉ Ｙ， ｅ
ｔａｌ． Ａ ｓｏｌ
ａｎａ
ｃｅａｅｄｉｓ
ｅａｓｅ
系统。 ｒ
ｅｃｏｇｎｉ
ｔｉｏｎ ｍｏｄｅ
ｌｂａｓ
ｅｄｏｎＳＥ－Ｉｎｃ
ｅｐｔ
ｉ ［ ］
ｏｎ Ｊ ．Ｃｏｍｐｕｔｅ
ｒｓ
ａｎｄＥｌ
ｅｃｔ
ｒｏｎ
ｉｃｓｉｎ Ａｇ
ｒｉｃｕ
ｌｔｕｅ，２０２０，１７８：
ｒ １０５７９２．
参 考 文 献 ［
１２］郭小清，范涛杰，舒欣 ．基于改进 Ｍｕ ｌｔｉ－Ｓｃ
ａｌｅＡｌ ｔ的
ｅｘＮｅ
番茄叶 部 病 害 图 像 识 别 ［Ｊ］． 农 业 工 程 学 报，２０１９，３５
［
１］商务 部 市 场 运 行 和 消 费 促 进 司 中 国 国 际 电 子 商 务 中 心 ．
（
１３）：１６２－１６９．
２０１９ 年 中 国 茧 丝 绸 行 业 发 展 报 告 ［ＥＢ／ＯＬ］．ｈ ｔｔｐｓ：
／／
ＧｕｏＸｉａｏｑｎｇ，ＦａｎＴａｏ
ｉ ｉ
ｊｅ，ＳｈｕＸｉｎ．Ｔｏｍａ ｔ
ｏｌｅａｆｄ
ｉｓｅ
ａｓｅｓ
ｊｓ
ｃｓｃｙｘｓ．ｍｏ ｆｃｏｍ．ｇｏｖ．ｃｎ／ｊｓ
ｃＦｉ
ｌｅ／
ｊｓ／＿ｎｅｗｓ
ｃ ／２０２０／１１／
ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄ Ｍｕ
ｌｔｉ－Ｓｃ
ａｌｅ Ａｌ ｔ［
ｅｘＮｅ Ｊ］．
１６０５２２８８１６１３３．ｔｍｌ，２０２０－１１－１３．
ｈ
Ｔｒａｎｓａ
ｃｔｉ
ｏｎｓ ｏｆｔｈｅ Ｃｈｉ
ｎｅｓｅ Ｓｏ
ｃｉｅ
ｔｙ ｏ
ｆ Ａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌ
［
２］徐安英，钱荷英，孙平江，等 ．家蚕抗血液型脓病新品种华
Ｅｎｇｉｎｅ
ｅｒｎｇ，２０１９，３５（
ｉ １３）：１６２－１６９．
Ｊ］．蚕业科学，２０１９，４５（
康 ３ 号的育成［ ２）：２０１－２１１．
［
１３］黄双萍，孙超，齐龙，等 ．基于深度卷积神经网络的水稻穗
Ｘｕ Ａｎｙ
ｉｎｇ，Ｑｉ
ａｎ Ｈｅｙ
ｉｎｇ，Ｓｕｎ Ｐ
ｉｎｇ
ｊｉａｎｇ，ｅ
ｔａｌ．Ｂｒ
ｅｅｄ
ｉｎｇ
瘟病检测方法［ Ｊ］．农业工程学报，２ ０１７，３３（２０）：１６
９－１７６．
ｏｆａ ｎｅｗ ｓ
ｉｌｋｗｏｒｍ ｖａｒ
ｉｅｔｙ Ｈｕａｋａｎｇ ３ ｗｉ
ｔｈｒｅ ｓ
ｉｓｔａｎｃｅｔｏ
Ｈｕａｎｇ Ｓｈｕａｎｇｐ
ｉｎｇ，Ｓｕｎ Ｃｈａｏ， Ｑｉ Ｌｏｎｇ，ｅ ｔａｌ．Ｒｉｃ
ｅ
ｂｏｍｂｙｘ ｍｏｒｉ ｎｕｃ
ｌｅｏｐｏ
ｌｙｈｅｄｒｏ
ｓｉ ［ ］
ｓ Ｊ ． Ａｃ ｔａ Ｓｅｒｉ
ｃ ｏ
ｌｏｇｉ
ｃａ
ｐａｎｉｃ
ｌｅ ｂ ｌ
ａｓｔ ｉｄｅｎ
ｔｉｆ
ｉｃａ
ｔｉｏｎ ｍｅｔ ｈｏｄ ｂａ ｓｅｄ ｏｎ ｄｅｅｐ
Ｓ
ｉｎｉ
ｃａ，２０１９，４５（
２）：２０１－２１１．
［ ｃｏｎｖｏｌｕ
ｔｉｏｎ ｎｅｕｒ
ａｌ ｎｅ
ｔｗｏ ｒｋ ［Ｊ］． Ｔｒ ａｎｓａ
ｃ ｔ
ｉｏｎｓ ｏ
ｆｔｈｅ
３］岳冬梅，王林美，李佩佩，等 ．柞蚕微孢子虫对不同昆虫细
Ｃｈｉｎｅｓｅ Ｓｏ
ｃｉｅｔｙｏｆ Ａｇｒｉ
ｃｕｌｔｕ
ｒａｌ Ｅｎｇｉｎｅｅｒ
ｉｎｇ，２０１７，３３
胞的 感 染 特 性 分 析 ［
Ｊ］． 蚕 业 科 学，２０１９，４５ （
５）：
（
２０）：１６９－１７６．
６９９－７０５．
［
１４］Ｘｉ
ｎｇＳ，Ｌｅ
ｅ Ｍ， Ｌｅ
ｅ Ｋ Ｋ．Ｃ
ｉｔｒ
ｕｓ ｐｅ
ｓｔｓ ａｎｄ ｄ
ｉｓｅ
ａｓｅ
ｓ
Ｙｕｅ Ｄｏｎｇｍｅｉ， Ｗａ
ｎｇ Ｌｉ
ｎｍｅｉ， Ｌ
ｉ Ｐｅｉ
ｐｅｉ，ｅｔａｌ．Ｉｎｆ
ｅｃｔｉ
ｏｎ
ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ ｍｏｄｅ
ｌ ｕｓ
ｉｎｇ ｗｅ
ａｋｌ
ｙ ｄｅｎｓ
ｅ Ｃｏｎｎｅ
ｃｔｅｄ
ｃ
ｈａｒａ
ｃｔｅｒ
ｉｓｔ
ｉｃｓｏ
ｆｎｏｓｅｍａｐｅｒ
ｎｙｉｔｏｄｉ
ｆｆｅ
ｒｅｎｔｉ
ｎｓｅ
ｃｔｃｅ
ｌｓ Ｊ］．
ｌ ［
Ｃｏｎｖｏ
ｌｕｔ
ｉｏｎ Ｎｅ
ｔｗｏ
ｒｋ［
Ｊ］．Ｓｅｎｓ
ｏｒｓ（
Ｂａｓ
ｅｌ，Ｓｗｉ
ｔｚｅ
ｒｌａｎｄ），
Ａｃ
ｔａＳ
ｅｒｉ
ｃｏｌ
ｏｇｉ
ｃａＳ
ｉｎｉ
ｃａ，２０１９，４５（
５）：６９９－７０５．
［
４］李雪云 ．规模化养蚕中蚕病的综合防治［ Ａ］．中 国 蚕 学 会 ． ２０１９，１９（
１４）：３１９５．
［
１５］何欣，李书琴，刘斌 ．基于多尺度残差神经网络的 葡 萄 叶
中国蚕学会商品性小蚕饲养规程和蚕病防控学术研讨 会 论
片病 害 识 别 ［
Ｊ］． 计 算 机 工 程，２０２１，４７（
５）：２８５－
Ｃ］．中国蚕学会：中国蚕学会，２０１０：４．
文集［
［
５］胡光荣 ．智能 调 控 单 闭 环 式 大 蚕 全 自 动 养 蚕 机 ［
Ｐ］．中 国 ２９１，３００．
专利：１１２０２１２６４Ａ，２０２０－１２－０４． Ｈｅ Ｘｉｎ，ＬｉＳｈｕｑ
ｉｎ，Ｌ
ｉｕＢ
ｉｎ．Ｉ
ｄｅｎ
ｔｉｆ
ｉｃａ
ｔｉｏｎｏ
ｆｇｒ
ａｐｅｌ
ｅａｆ
［
６］许良凤，徐小兵，胡敏，等 ．基于多分类器融合的玉米叶部 ｄｉ
ｓｅａ
ｓｅｓｂａ
ｓｅｄｏｎ ｍｕｌ
ｔｉ－ｓ
ｃａｌ
ｅｒｅｓ
ｉｄｕａ
ｌｎｅｕｒａ
ｌｎｅｔｗｏｋ［
ｒ Ｊ］．
病害 识 别 ［
Ｊ］． 农 业 工 程 学 报，２０１５，３１（
１４）：１９４－ Ｃｏｍｐｕｔ
ｅｒＥｎｇｉ
ｎｅｅ
ｒｉｎｇ，２０２１，４７（５）：２８５－２９１，３００．
２０１，３１５． ［
１６］张友 洪，沈 以 红，肖 文 福，等 ．家 蚕 杂 交 组 合 芳 · 绣 ×
ＸｕＬｉａｎｇｆ
ｅ ｎｇ，ＸｕＸｉ
ａｏｂ
ｉｎｇ，Ｈｕ Ｍｉｎ，ｅｔａｌ．Ｃｏ
ｒｎｌｅａ
ｆｄｉ
ｓｅａ
ｓｅ 白·春的选配［ Ｊ］．蚕业科学，２０１４，４０（ ６）：１０１７－１０２３．
ｉ
ｄｅｎ
ｔｉｆ
ｉｃａ
ｔｉｏｎ ｂａｓ
ｅｄ ｏｎ ｍｕｌ
ｔｉｌ
ｐｅ ｃｌ
ａｓｓ
ｉｆ
ｉｅｒ
ｓｆ ｕｓ
ｉ ［
ｏｎ Ｊ ．］ Ｚｈ
ａｎｇＹｏｕｈｏｎｇ，Ｓｈｅ
ｎＹｈｏｎｇ，Ｘ
ｉ ｉａｏ Ｗｅ
ｎｆｕ，ｅｔａｌ．Ｓ
ｅｌｅ
ｃｔｉ
ｖｅ
Ｔｒａ
ｎｓａｃｔ
ｉ ｓ ｏ
ｏｎ ｆ ｔｈｅ Ｃｈｉｎｅｓ
ｅ Ｓｏｃｉ
ｅｔｙ ｏｆ Ａｇ
ｒｉｃ
ｕｌｔ
ｕｒａ
ｌ ｂ
ｒｅｅ
ｄｉｎｇｏ
ｆＢｏｍｂｙｘ ｍｏ
ｒｉｃ
ｒｏｓ
ｓｃｏｍｂ
ｉｎａ
ｔｉ ｎｇ· Ｘ
ｏｎ Ｆａ ｉｕ×
Ｅｎｇｉｎ
ｅｅｒ
ｉｎｇ，２０１５，３１（
１４）：１９４－２０１，３１５． ｉ·Ｃｈｕｎ ［
Ｂａ Ｊ］．Ｓ
ｃｉｅ
ｎｃｅｏ
ｆＳｅ
ｒｉｃ
ｕｌｔ
ｕｒｅ，２０１４，４０（
６）：１０１７－
［
７］田有文，李天来，李成华，等 ．基于支持向量机的葡 萄 病 害 １０２３．
Ｊ］．农业工程学报，２００７，２３（
图像识别方法［ ６）：１７５－１８０． ［
１７］Ｆｅ
ｒｅｎ
ｔｉｎｏ
ｓ Ｋ Ｐ．Ｄｅ
ｅｐｌ
ｅａｒ
ｎｉｎｇ ｍｏｄｅ
ｌｓｆ
ｏｒｐ
ｌａｎ
ｔｄｉ
ｓｅａ
ｓｅ
ａｎ Ｙｏｕｗｅｎ，Ｌ
Ｔｉ ａｎｃｈｅｎｇ，Ｌ
ｉＴｉ ｉＣｈｅｎｇｈｕａ，ｅ
ｔａｌ．Ｍｅ
ｔｈｏｄ ｄｅ
ｔｅｃｔ
ｉｏｎａｎｄｄｉａｇｎｏ
ｓｉｓ［
Ｊ］．Ｃｏｍｐｕｔｅ
ｒｓａｎｄＥｌ
ｅｃｔ
ｒｏｎ
ｉｃｓｉ
ｎ
ｆ
ｏｒｒｅｃｏｇｎ
ｉｔｉ
ｏｎ ｏ
ｆｇ ｒａｐｅ ｄｉｓ
ｅａｓ
ｅ ｂａｓ
ｅｄ ｏｎ ｓｕｐｐｏ
ｒｔ ｖｅ
ｃｔｏ
ｒ Ａｇｒｉ
ｃｕｌｔ
ｕｒ ， ， ：
ｅ ２０１８ １４５ ３１１－３１８．
ｍａｃｈ
ｉｎｅ ［Ｊ］． Ｔｒａｎｓａｃ
ｔｉｏｎｓ ｏ
ｆｔ ｈｅ Ｃｈｉ
ｎｅｓｅ Ｓｏｃｉ
ｅｔｙｏ ｆ ［
１８］冈萨雷斯 ．数字图像处理（第三版）［Ｍ］．北 京：电 子 工 业
Ａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌＥｎｇ
ｉｎｅ
ｅｒｎｇ，２００７，２３（
ｉ ６）：１７５－１８０． 出版社，２０１７．
第１期 石洪康 等：基于卷积神经网络的家蚕病害识别研究 １５７

Ｒｅ
ｓｅａ
ｒｃｈｏｎｒ
ｅｃｏ
ｇｎｉ
ｔｉｏｎｏ
ｆｓｉ
ｌｋｗｏ
ｒｍ ｄ
ｉｓｅ
ａｓｅ
ｓｂａ
ｓｅｄｏｎＣｏｎｖ
ｏｌｕ
ｔｉｏｎａ
ｌＮｅ
ｕｒａ
ｌＮｅ
ｔｗｏ
ｒｋ

ｉＨｏｎｇｋａｎｇ１ ，Ｘ
Ｓｈ ｉａｏ Ｗｅｎ
ｆｕ１ ，ＨｕａｎｇＬ
ｉａｎｇ２ ，ＨｕＣｏｎｇｗｕ２ ，ＨｕＧｕａｎｇ
ｒｏｎｇ１ ，ＺｈａｎｇＪ
ｉａｎ
ｆｅ１
ｉ
（
１.Ｓｅｒｉ
ｃｕｌ
ｔｕｒａ
ｌＲｅｓｅａｒｃｈＩｎ
ｓｔｉ
ｔｕｔｅ，Ｓｉ
ｃｈｕａｎＡｃａｄｅｍｙｏｆ Ａｇｒ
ｉｃｕ
ｌｔｕｒａ
ｌＳｃｉｅｎｃｓ，Ｎａｎｃｈｏｎｇ，６３７０００，Ｃｈ
ｅ ｉｎａ；
２.Ｓｔ
ａｔｅＫｅｙＬａｂｏ
ｒａ ｔ
ｏｒｙｏｆＳｉ ｌ
ｋｗｏｒｍ ＧｅｎｏｍｅＢｉｏｌ ，
ｏｇｙ Ｓｏｕｔ
ｈｗｅｓｔＵｎｉｖ
ｅｒｓｉ
ｔ ，
ｙ Ｃｈｏｎｇｑｉ ， ，
ｎｇ ４００７００ Ｃｈ
ｉｎａ）

Ａｂ
ｓｔｒａ
ｃｔ：Ｄｉ
ｓｅａｓｅ
ｓａ ｒｅｏｎｅｏ
ｆｔｈｅｍａｉｎｔｈｒｅ
ａｔｓｆａ
ｃｉｎｇｔｈｅｈｅ
ａｌｔ
ｈｙｄｅ ｖｅ
ｌｏｐｍｅｎｔｏｆｔｈｅｓｅｒ
ｉｃｕ
ｌｔｕ
ｒｅｉｎｄｕｓｔ
ｒｙｉｎＣｈ
ｉｎａ．Ｉｎｏ
ｒｄｅｒｔｏｓｔｕｄｙ
ｍｅｔ
ｈｏｄｓｏｆｐｒｅ
ｖｅｎｔｉ
ｏｎａｎｄｃｏｎｔ
ｒｏｌｏ
ｆｓ ｉ
ｌｋｗｏｒｍ ｄ
ｉｓｅａ
ｓｅｕｎｄｅｒｍｅｃｈａｎｉ
ｚｅｄｓｅｒ
ｉｃｕ
ｌｔｕ
ｒｅ ｍｏｄｅ，ａｃｏｎｖｏｌ
ｕｔｉ
ｏｎａ
ｌｎｅｕｒ
ａｌｎｅ
ｔｗｏｒｋｉｓｕｓ
ｅｄｔ ｏ
ｃａｒ
ｒｙｏｕ ｔｒｅ
ｃｏｇｎｉ
ｔｉｏｎｏｆｓ
ｉｌｋｗｏｒｍ ｄｉｓｅａｓ
ｅｉｍａｇｅｓｉ ｎｔｈ
ｉｓｐａｐｅ
ｒ．Ｆ ｉ
ｒｓｔｏｆａ ｌ，ｂｙｂ
ｌ ｒｅａｄ
ｉｎｇａｎｄｆ ｅ
ｅｄｉｎｇｐａｔｈｏｇｅｎｓ，ｈｅ ａ
ｌｔｈｙｓ ａｍｐｌ
ｅｓａｎｄ
ｓａｍｐｌｓｏ
ｅ ｆｓｉｌ
ｋｗｏｒｍ ｓｐｅ
ｃｉｅ ·
ｓ Ｆａｎｇ Ｘｉ ·
ｕ Ｂａ ·
ｉ Ｃｈｕｎ ｗｉ ｔｈ ｎｕｃ
ｌｅａｒ ｐｏｌｙｈｅｄ
ｒｏｓ
ｉｓｄ ｉ
ｓｅａｓ ，
ｅ ｎｏｓｅｍａ ｂｏｍｂｙ ｃ
ｉ ，
ｓ ｂｅ ａｕｖｅｒ
ｉａ ｂａｓｓ
ｉａｎａ，
ｂａｃｔ
ｅｒｉ
ａｌｄｉｓｅａ
ｓｅ，ａｎｄｐｅｓｔ
ｉｃｉ
ｄｅｐｏ ｉ
ｓｏｎｉｎｇｉｎｔｈｅｓｔａｇｅｏｆｌ
ａｒｖａｗｅｒｅｏｂｔａｉｎｅｄ．Ｉｍａｇｅｓｃｏｌｌ
ｅｃｔ
ｉｏｎｗａｓｃ ｏｎｄｕｃ
ｔｅｄｔ ｏｃｏｎｓｔｒｕｃ
ｔａｓ ｉ
ｌｋｗｏｒｍ
ｄｉ
ｓ ｅ
ａｓｅｉｍａｇｅｄａｔ
ａｓｅ
ｔ．Ｓｅｃｏｎｄｙ，ｔ
ｌ ｈｅ ｍｅｔ
ｈｏｄ ｏｆｆｅ
ａｔｕ
ｒｅｆｕｓ
ｉｏｎａｎｄｓｔｒ
ｕｃｔ
ｕｒｅｒｅｄｕｃｔ
ｉｏｎ ｗａｓａｄｏｐ
ｔｅｄｔｏ ｍｏｄ
ｉｆｙｔｈｅｒｅｓ
ｉｄｕａ
ｌｎｅｕｒａｌ
ｎｅｔｗｏｒｋｔｏａｖｏ
ｉｄｕｎｎｅｃ
ｅｓｓ
ａ ｒ
ｙｃ ａ
ｌｃｕ
ｌ ａ
ｔｉｏｎｌｏｓ
ｓｃａｕｓ
ｅｄｂｙｔｈｅｄｉｒ
ｅｃｔｕｓ
ｅｏｆｔｈｅａｌ
ｇｏｒｉｔ
ｈｍ．Ｆ ｉｎａｌ
ｌｙ，ａｓｉ
ｌｋｗｏ
ｒｍ ｄｉｓ
ｅａｓｅｒ
ｅｃｏｇｎｉ
ｔｉｏｎｔ
ｅｓｔ
ｗａｓｐｅｒｆ
ｏｒｍｅｄ．Ｔｈｅｒｅｓｕｌ
ｔｓｓｈｏｗ ｔｈａｔｔｈｅｃｏｎｖｏｌｕ
ｔｉｏｎａ
ｌｎｅｕｒａｌｎｅ
ｔｗｏ
ｒｋｃａｎｅｆ
ｆｉｃ
ｉｅｎ
ｔｌｙａｎｄａｃｃｕ
ｒ ａ
ｔｅｌｙｒｅｃｏｇｎ
ｉｚｅｓ
ｉｌｋｗｏ
ｒｍ ｄ
ｉｓｅａｓ
ｅ
ｉｍａｇｅ
ｓ．Ｔｈｅａ ｃ
ｃｕｒ
ａｃｙｒ
ａ ｔ
ｅｏ ｆｔｈｅ ｍｏｄ
ｉｆｉ
ｅｄａｌ
ｇｏ ｒ
ｉｔｈｍ ｏｎｔ ｈｅｔ
ｅｓｔｓｅ
ｔｒｅ
ａｃｈｅ
ｓ９４． ，
３１％ ｗｈ ｉｃｈｉ
ｓｅ ｑｕｉ
ｖａｌｅｎ
ｔｔ ｏｔｈｅｓ
ｔａｎｄａ
ｒｄｒｅ
ｓｉｄｕａｌ
ｎｅｕ
ｒａｌｎｅ
ｔｗｏ
ｒｋａ
ｃｃｕ
ｒａｃｙｒ
ａｔｅ．Ｈｏｗｅ
ｖｅｒ，ｔ
ｈｅａｍｏｕｎ
ｔｏｆｔ
ｒａｉ
ｎｉｎｇ ｐａ
ｒａｍｅ
ｔｅｒ
ｓｉｓｏｎ
ｌｙ １／３ｏ
ｆｔｈｅｏ
ｒｉｉ
ｇｎａ
ｌｎｅ
ｔｗｏ
ｒｋ，ｗｈ
ｉｃｈｉ
ｓ ｍｏ
ｒｅ
ｃｏｎｄｕｃ
ｉｖｅｔｏｔｒａ
ｉｎｉｎｇａｎｄｄｅｐｌ
ｏｙｍｅｎｔｏｆｔ ｈｅｎｅｔｗｏｒｋ，ｗｈ ｉ
ｃｈｈａｓａｗｉｄｅｒａｎｇｅｏｆａｐｐｌ
ｉｃａ
ｔｉ ｒ
ｏｎｐｏｓｐｅ
ｃｔｓ．
Ｋｅｙｗｏｒｄ ：
ｓｓ ｉ
ｌｋｗｏ ；
ｒｍ ｄ ｉ
ｓｅａ
ｓｅｓｃｏｎ
ｔｒｏ ；
ｌ Ｃｏｎｖｏ
ｌｕｔｉｏｎ Ｎｅｕ
ｒａｌＮｅｔｗｏ
ｒ ；
ｋ ｄｅｅｐｌｅａ
ｒｎｉｎｇ

（上接第 １３４ 页）

Ｃｏｍｐ
ｒｅｈ
ｅｎｓ
ｉｖｅｅ
ｖａｌ
ｕａｔ
ｉｏｎｏ
ｆｄｉ
ｇｉｔ
ａｌａ
ｇｒｉ
ｃｕｌ
ｔｕｒ
ｅｐｌ
ａｎｎ
ｉｎｇｓ
ｃｈｅｍｅｆ
ｏｒｌ
ａｒｅ－ｓ
ｇ ｃａｌ
ｅ
ｌ
ｉｖｅ
ｓｔｃｋａｎｄｐｏｕ
ｏ ｌｔｙｆ
ｒ ａ
ｒｍｓ
，
ＷｕＪ
ｉｃｈｅｎｇ１ ，ＳｈａｎＤｏｎｇ
ｌｉｎ１ ，ＹａｎｇＸ
ｉａｏｗｅｎ１ ２ ，ＹａｎｇＪ
ｕａｎ１ ，ＺｈａｎｇＸ
ｉｕｑ
ｉ１

（
１.Ｎａｎｊ
ｉｎｇＤｅ
ｓｉｇｎＩｎ
ｓｔｉ
ｔｕｅ，Ｍｉ
ｔ ｎｉｓ
ｔｒｙｏｆ Ａｇｒ
ｉｃｕ
ｌｔｕｒ
ｅａｎｄ Ｒｕｒａ
ｌＡｆｆａ
ｉｒｓ，Ｎａｎｊ
ｉｎｇ，２１００１４，Ｃｈ
ｉｎａ；２.Ｎａｎｊ
ｉｎｇＩｎ
ｓｔｉ
ｔｕｔ
ｅｏｆ
Ａｇｒ
ｉｃｕ
ｌｔｕｒａ
ｌＭｅ
ｃｈａｎ
ｉｚａ
ｔｉｏｎ，Ｍｉ
ｎｉｓ
ｔｒｙｏｆ Ａｇｒ
ｉｃｕ
ｌｔｕｒ
ｅａｎｄ Ｒｕｒａ
ｌＡｆｆａ
ｉｒｓ，Ｎａｎｊ
ｉｎｇ，２１００１４，Ｃｈ
ｉｎａ）

Ａｂ
ｓｔｒ
ａｃｔ：Ｔｈｅｄ
ｉｇｉ
ｔａｌｅｍｐｏｗｅ
ｒｍｅｎ
ｔｏｆｌ
ｉｖｅ
ｓｔｏ
ｃｋａｎｄｐｏｕ
ｌｔｙｆ
ｒ ａ
ｒｍｓｉ
ｓｔｈｅｋｅｙｃ
ｏｎｔ
ｅｎｔｏ
ｆｔｈｅｄ
ｉｇｉ
ｔａｌａｇ
ｒｉｃｕ
ｌｔｕ
ｒｅｃ
ｏｎｓ
ｔｒｕｃ
ｔｉｏｎｐ
ｉｌｏ
ｔｐｒ
ｏｊｅ
ｃｔ
ｎＣｈ
ｉ ｉｎａ．Ｔｈｅｓ
ｃｉｅｎ
ｔｉｆ
ｉｃｄｅ
ｃｉｓ
ｉｏｎ－ｍａｋ
ｉｎｇｏ
ｆｉｔ
ｓｐｌ
ａｎｎ
ｉｎｇｓ
ｃｈｅｍｅｉ
ｓａ ｍｕ
ｌｔｉ
－ｉｎｄｅｘｃ
ｏｍｐ
ｒｅｈｅｎｓ
ｉｖｅｅ
ｖａｌ
ｕａｔ
ｉｏｎｐ
ｒｏｂ
ｌｅｍ．Ａｃ
ｃｏｒ
ｄｉｎｇｔ
ｏｔｈｅ
ｃ
ｏｎｎｏ
ｔａｔ
ｉｏｎｏ
ｆｄｉ
ｇｉｔ
ａｌａｇ
ｒｉｃｕ
ｌｔｕ
ｒ ｌ
ｅｐａｎｎ
ｉｎｇ ｏ
ｆｌａ
ｒｇｅ－ｓ
ｃａｌ
ｅｌｉ
ｖｅｓ
ｔｏｃｋ ａｎｄ ｐｏｕ
ｌｔｒ
ｙｆｒｍｓ，ａ ｃ
ａ ｏｍｐ
ｒｅｈｅｎｓ
ｉｖｅ ｅ
ｖａｌ
ｕａｔ
ｉｏｎｉ
ｎｄｅｘ ｓｙ
ｓｔｅｍ
ｉ
ｎｃｌ
ｕｄｉ
ｎｇ４ｐ
ｒｉｍａ
ｒｙｉ
ｎｄｅｘｅ
ｓａｎｄ１８ｓ
ｅｃｏｎｄａ
ｒｙｉ
ｎｄｅｘｅ
ｓｗａ
ｓｅｓ
ｔａｂ
ｌｉｓｈｅｄｆ
ｒｏｍｔ
ｈｅａ
ｓｐｅ
ｃｔｓｏ
ｆｅｑｕ
ｉ ｔ，ｅ
ｐｍｅｎ ｃｏｎｏｍｙ，ｓ
ｏｃｉ
ｅｔｙ，ａｎｄｅ
ｃｏｌ
ｏｇｙ．
Ａｃ
ｏｍｐ
ｒｅｈｅｎｓ
ｉｖｅｅ
ｖａｌ
ｕａｔ
ｉｏｎ ｍｏｄｅ
ｌｗａ
ｓｃｏｎｓ
ｔｒｕｃ
ｔｅｄｂａ
ｓｅｄｏｎｔ
ｈｅｃ
ｏｍｂ
ｉｎｅｄ ｗｅ
ｉｇｈ
ｔｉｎｇ ＴＯＰＳ
ＩＳ ｍｅ
ｔｈｏｄｔ
ｏｃｏｍｐ
ｒｅｈｅｎｓ
ｉｖｅ
ｌｙｅ
ｖａｌ
ｕａｔ
ｅ
ｔ
ｈｒｅ
ｅａｌ
ｔｅｒ
ｎａｔ
ｉｖｅｓ
ｃｈｅｍｅ
ｓｏｆｄ
ｉｇｉ
ｔａｌａｇ
ｒｉｃｕ
ｌｔｕ
ｒｅｐ
ｌａｎｎ
ｉｎｇｏ
ｆａｌ
ａｒｇｅ－ｓ
ｃａｌ
ｅｐｉ
ｇｆａ
ｒｍ．Ｔｈｅｒ
ｅｓｕ
ｌｔｓｓｈｏｗｅｄｔ
ｈａｔｔ
ｈｅｔ
ｏｐｒ
ａｎｋ
ｉｎｇｏ
ｆｉｎｄｅｘ
ｗｅ
ｉｇｈ
ｔｓｗｅ
ｒｅｔ
ｅｃｈｎｏ
ｌｏｇｙ ｍａ
ｔｕｒ
ｉｔｙ（
０．２４８），ｉ
ｎｔｅ
ｌｌ
ｉ ｅ（
ｇｅｎｃ １２０），ｄ
０． ｉｒｅ
ｃｔｅｍｐ
ｌ ｔ（
ｏｙｍｅｎ １１９），ｗａ
０． ｔｅｒ－ｓ
ａｖｉ
ｎｇ ａｎｄ ｅｎｅ
ｒｇｙ－ｓ
ａｖｉ
ｎｇ
ｂｅｎｅ
ｆｉｓ（
ｔ ０８２），ｔ
０． ｅｃｈｎｏ
ｌｏｇｙｄｅｍｏｎｓ
ｔｒａ
ｔｉｏｎａｎｄｐ
ｒｏｍｏ
ｔｉｏｎ （
０．０７１），ａｎｄｐ
ｒｏｃ
ｅｓｓｃ
ｏｍｐ
ｌｉ ｅ（
ａｎｃ ０５５）．Ｔｈｅｃ
０． ｏｍｐ
ｒｅｈｅｎｓ
ｉｖｅｗｅ
ｉｇｈ
ｔｏｆ
ｅ
ｑｕｉ
ｐｍｅｎ
ｔｔｅ
ｃｈｎｏ
ｌｏｇｙｉ
ｎｄｅｘ ｗａ
ｓｔｈｅｌ
ａｒｇｅ
ｓｔ（
０．４８４）；Ａｍｏｎｇｔ
ｈｅａ
ｌｔｅ
ｒｎａ
ｔｉ ｓ，ｓ
ｖｅ ｃｈｅｍｅ２，ｗｈ
ｉｃｈｉ
ｎｔｅｇ
ｒａｔ
ｅｄｅ
ｃｏｌ
ｏｇｉ
ｃａｌｗｅ
ｌｆａ
ｒｅｂ
ｒｅｅｄ
ｉｎｇ
ａｎｄｒ
ｅａｌ
ｉｚｅｄｔ
ｈｅｉ
ｎｔｅｇ
ｒａｔ
ｅｄａｐｐ
ｌｉｃ
ａｔｉ
ｏｎｏ
ｆｉｎ
ｆｏｒｍａ
ｔｉｏｎｔ
ｅｃｈｎｏ
ｌｏｇｙｉ
ｎｔｈｅｗｈｏ
ｌｅｐ
ｒｏｃ
ｅｓｓ，ｗａ
ｓｔｈｅｂｅ
ｓ ｃｈｅｍｅ （
ｔｓ ｐｒｏｘ
ｉｍｉ
ｔ ８４０）．Ｔｈｅ
ｙ０．
ｅ
ｖａｌ
ｕａｔ
ｉｏｎｒ
ｅｓｕ
ｌｔｓｗｅ
ｒｅｃ
ｏｎｓ
ｉｓｔ
ｅｎｔｗｉ
ｔｈｔ
ｈｅｏｖｅ
ｒａｌ
ｌｄｅ
ｖｅｌ
ｏｐｍｅｎ
ｔｔｒ
ｅｎｄｏ
ｆｄｉ
ｇｉｔ
ａｌｕｐｇ
ｒａｄ
ｉｎｇａｎｄｕｐｇ
ｒａｄ
ｉｎｇｏ
ｆｌａ
ｒｇｅ－ｓ
ｃａｌ
ｅｌｉ
ｖｅｓ
ｔｏｃｋａｎｄ
ｐｏｕ
ｌｔｒ
ｙｆａ
ｒｍｓ．Ｔｈ
ｉｓ ｍｅ
ｔｈｏｄ ｈａ
ｓｃｅ
ｒｔａ
ｉｎ ｇｕ
ｉｄｉ
ｎｇｓ
ｉｇｎ
ｉｆｉ
ｃａｎｃ
ｅｆｏ
ｒｉｎｖｅ
ｓｔｍｅｎ
ｔｄｅ
ｃｉｓ
ｉｏｎ－ｍａｋ
ｉｎｇ，ｐ
ｌａｎｎ
ｉｎｇ，ａｎｄｃ
ｏｎｓ
ｔｒｕｃ
ｔｉｏｎ ｏ
ｆｄｉ
ｇｉｔ
ａｌ
ａｇ
ｒｉｃｕ
ｌｔｕ
ｒ ｒ
ｅｐｏｅ
ｊｃｔ
ｓｏｆｌ
ａｒｇｅ－ｓ
ｃａｌ
ｅｌｉ
ｖｅｓ
ｔｏｃｋａｎｄｐｏｕ
ｌｔｒ
ｙｆａ
ｒｍｓ．
Ｋｅ
ｙｗｏ
ｒｄｓ：ｌ
ｉｖｅ
ｓｔｃｋａｎｄｐｏｕ
ｏ ｌｔｒ
ｙｆｒｍｓ；ｄ
ａ ｉｇｉ
ｔａｌａｇ
ｒｉｃｕ
ｌｔｕ
ｒｅ；ｐ
ｌａｎｎ
ｉｎｇｃ
ｏｎｎｏ
ｔａｔ
ｉｏｎ；ｃ
ｏｍｂ
ｉｎｅｄ ｗｅ
ｉｇｈ
ｔｉｎｇ ｍｅ
ｔｈｏｄ；ＴＯＰＳ
ＩＳ ｍｅ
ｔｈｏｄ