植物病害识别研究：基于CNN的认知机器人2

认知机器人2（2022）155基于CNN的植物病害识别研究孙学伟a，李国厚a，裴某，曲某，谢希旺b，潘希鹏c，张卫东aa河南科技学院信息工程学院，河南b大连海事大学信息科学与技术学院，大连116026c桂林电子科技大学计算机科学与信息安全学院，桂林541000aRT i cL e i nf o保留字：植物病害的识别卷积神经网络EschientNet神经结构搜索焦点损失函数a b sTR a cT传统的数字图像处理方法人工提取疾病特征，效率低，识别准确率低。为了解决这个问题，本文提出了一种卷积神经网络结构FL-E神经网络（Focal loss E神经网络）， 用于植物病害图像的多类别识别。首先，通过神经结构搜索技术，根据一组复合系数自适应地调整网络宽度、网络深度和图像分辨率，提高网络维数的均衡性和模型的稳定性;其次，通过引入移动瓶颈卷积和注意机制，提取疾病图像中有价值的特征;最后，采用Focal损失函数代替传统的交叉熵损失函数，提高网络模型对不易识别样本的聚焦实验使用公共数据集新植物病害数据集（NPDD），并将其与ResNet50，DenseNet169和EschercientNet进行比较。实验结果表明，FL-E神经网络对5种作物10种病害的识别准确率为99.72%，优于上述对比网络。同时，FL-E ApricientNet的收敛速度最快，15个epoch的训练时间为4.7 h。1. 介绍中国是一个传统的农业大国。农业生产关系到国计民生。农业生产是中国的基础。然而，在农作物的生长过程中， 如环境、气候、土壤等，受到病害的威胁，严重影响粮食产量和品质。因此，如果能快速、无损、有效地识别植物病害，并准确用药，就能减少经济损失在很大程度上[1]。随着人工智能的不断发展，深度学习在农业领域得到了广泛的应用[2]。目前，植物病害识别的方法主要分为传统方法和深度学习方法。传统的方法有基于支持向量机（SVM）、K-最近邻（KNN）、K-均值聚类算法等，如Thaiyalnayaki K[3]等以美国棉花为研究对象。通过多层感知器（MLP），结合形态学分割、模式匹配、色调匹配等技术，SVM作为重叠分类，通过SVM识别大豆等植物病害，准确率为94.1%。Prashar K[4]等人以美国棉花为研究对象。通过多层感知器，结合形态学分割、模式匹配、色调匹配等技术，将KNN和SVM作为一种重叠*通讯作者：中国河南科技学院电子邮件地址：liguohou_hnkj X y@163.com（G. Li）。https://doi.org/10.1016/j.cogr.2022.07.001接收日期：2022年5月17日;接收日期：2022年7月1日;接受日期：2022年7月4日在线预订2022年2667-2413/© 2022作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表认知机器人期刊首页：http://www.keaipublishing.com/en/journals/cognitive-robotics/X.孙，G. Li，P. Qu et al.认知机器人2（2022）155156表1-1单一优化策略的优缺点优化策略优势缺点增加深度所提取的特征更加丰富，具有良好的泛化能力。如果网络太深，梯度将消失，训练将变得困难。宽度增加训练更容易，提取的细粒度特征更高。如果网络很浅但宽度很大，则网络无法学习更深的特征。添加解析获得更细粒度的特征模板，并且可以学习更深的特征。更高的分辨率是由精度的边际效应决定的，这增加了计算量。分类识别植物病害，识别准确率为96%。Kumari C[5]等以棉花和番茄为研究对象，提取了对比、相关、均值和方差的特征，并采用K-means方法进行聚类分析，平均准确率为90%。深度学习主要使用卷积神经网络（CNN），如AlexNet，GoogLeNet，ResNet和其他网络模型。近年来，一些学者将注意力机制[6，7]引入到图像分类任务中，如Zhao Y[8]将注意力机制嵌入到基于神经结构搜索技术的残差方法中，并证实通过对训练数据进行过采样、子采样平衡处理和灰度变换可以获得更高的精度。Sagar A[9]等人，将SE块与MobileNet结合，并提出了SE-MobileNet。结合迁移学习，SE-MobileNet在工厂村数据集上的准确率为99.33%。通过引入迁移学习和微调ResNet50的网络参数，ChenJ[10]等人在工厂Village数据集上实现了98.2的准确度。从上述文献可以看出，在卷积神经网络被广泛应用之前，大多数研究都使用传统的机器学习方法。与深度学习相比，机器学习的效率较低，识别精度也不理想。 它需要人工提取作物叶片的纹理、形状、颜色等特征，还需要结合直方图或主成分分析（PCA）降维，大多数病害识别研究已经逐渐放弃了传统的机器学习，而采用更有效的深度学习方法。目前，大多数网络模型都是在现有优秀网络的基础上进行改进的，识别精度也在不断提高。然而，大多数网络不考虑网络模型参数和训练时间对识别率的影响。 如果将这些模型移植到未来移动终端的模型识别效率将较低，不能满足日常需求，也无法投入实际生产，针对上述问题，结合EMCcientNet-B 0网络模型，引入Focal损失函数，提出了FL-EMCcientNet。该网络模型识别了5种作物的10种病害图像，并结合迁移学习、DropConnect、参数调整等策略，大大减少了网络的模型参数数量和训练时间，为后续部署到移动端提供了一定的参考价值2. FL-e网络2.1. 电子邮件E EsccientNet是Tan M[11]等人于2019年发布的一组基于CNN的骨干特征提取网络本文指出，现有的提高CNN性能的方法都是基于增加深度、宽度和分辨率。但是，如果只优化一个参数，就会导致梯度损失、梯度爆炸、计算量大等问题。 单个优化深度、宽度和分辨率的影响显示在选项卡中。一比一2.2. 神经网络结构搜索技术神经网络架构搜索（NAS）[12]技术用于预先限制内容和计算量。 通过网格搜索深度、分辨率和通道宽度之间的最优解，并使用一组固定的缩放系数利用混合缩放方法，通过引入混合因子λ，对深度、宽度和分辨率进行均匀缩放，以平衡网络维数，提高网络模型的整体性能���������深度：=���宽度：=���解析度：=（1）������������������.���≥1，≥1，≥1������X.孙，G. Li，P. Qu et al.认知机器人2（2022）155157图1-1. MBConv模块结构图。图1-2. SE方框结构图。由方程式（1）、、������和���是通过网络搜索获得的常数，并且混合因子是手动干预的。卷积运算的计算量与前一种相同，在此条件下，网络的计算量约为前一种的2倍，总的理论计算量（FLOPs）约为（FLOPs）。当限制了FLOPs2的计算量时，FLOPs对任何一个FLOPs都增加了2倍������������������������2.3. 移动反向瓶颈卷积和SE块移动反向瓶颈卷积（MBConv）模块[13]用于MobileNet-V3网络中的参考。意思是-同时，引入了注意机制来突出疾病特征中更重要的特征。注意机制主要是通过挤压和EX引用（SE）块来实现的.MBConv模块是本文网络的核心模块，采用了倒置残差结构。该模块包含一个1× 1的提升卷积层，使用BN（批量归一化）策略和SiLU（Sigmoid加权线性单元）激活函数。还包括一个Dependently Separable Convolution模块，也使用BN和SiLU，然后是一个SE块用于实现注意力机制，然后是一个1× 1卷积层，特征图的缩小，最后添加一个Dropout层以减轻过度拟合。MBConv模块的结构示意性地示于图11中。一比一SE块专注于不同通道之间的关系，包括全局平均池化和两个全连接层[14]。通过全连接网络，根据损失函数自动学习特征权重，从而增加有效通道的权重，通过学习不同通道特征的重要性实现注意机制。SE块的结构示意性地示于图1中。一比二2.4. DropConnect由于EscientNet模型同时缩放深度、宽度和分辨率，因此该模型很复杂。 虽然在模型中加入了dropout层，但在训练过程中会出现过拟合现象。因此，将DropConnect添加到模型中。当输入MBConv结构的特征图形状与输出特征图形状具有相同的参数时，将启用快捷连接;如果启用快捷连接，则同时启用DropConnect。与dropout不同，dropout在训练过程中随机丢弃隐藏节点的输出，而DropConnect则随机丢弃隐藏层。相比之下，DropConnect更有效，并且DropConnect2.5. 焦点损失函数大多数分类错误的数据样本都集中在不平衡样本上。使用的采样数在本研究中，从病害种类上看，样本数在2000 ~ 2500之间变化，但在不同的作物种类上，样本数差异很大，如番茄样本11006个，玉米样本4437个。相似的特征将被提取从疾病图像的在特征提取的过程中，同一作物类别的特征提取会导致样本数较多的作物类别分类更加准确，而样本数较少的类别分类效果不佳。因此，本文使用Focal损失函数[15]代替传统的交叉熵（CE）损失函数，使得网络在训练过程中降低了易划分样本的权重，增加了难分类样本的权重，使模型更加聚焦在训练过程中对难分类样本进行分类。在神经网络的特征提取中，聚焦损失可以有效地解决了样本数不均衡的问题，提高了网络的平均识别率X.孙，G. Li，P. Qu et al.认知机器人2（2022）155158���（∑（）（）（）√������−1√������������������1 −���������1 −������G通过修改交叉熵损失函数得到焦点损失函数。在EMCcientNet模型中，通过softmax函数回归后，交叉熵损失函数的函数如公式（2）所示CE（ ）= − lg���������������������（2）在公式（2）中，λ是特征值，λ和λ表示类别数。Focal损失函数的表达式如公式（3）所示。中文（简体）= − 1 −γ lg（3）������������式（3）中，������为样本属于某一类别的概率， 为聚焦参数，其中0≤ ≤5。（1 − ���）γ是调制系数。取值范围为[0，1]。如果样本的平均值接近于1，则样本易于训练，如果样本的平均值接近于1，则样本易于训练。���值接近0，样本难以训练。当λ=0时，则（1−λt）γ= 1。Focal损失函数相当于Cross- 熵损失函数经过多次实验，当λ=2时，训练效果最好。如果预测的样本精度非常高，高（即，Δt非常高），则（1 −Δt）Δ t的值非常小，损失函数的值将非常小，并且损失函数的速率将相应地小，反之亦然。FL-E网络的损失函数如公式（4）所示。（���������）的情况下���（���������）的方式焦点损失（Focalloss）= −2.6. Adam优化器∑������������∑������������（四）Adam[16]优化器用于更新梯度。Adam优化器结合了RMSProp优化器和Ada优化器的优点， 伟大的优化器。其更新公式如下：������������=联系我们���（五）公式（5）中，是更新次数，是学习率，是大于0的小数，主要用于防止������������ = 0,������ is the correction of���,������ is the Correction of���.更新后的公式������������见等式10和11。(6)（7）.������ =������1���=������2（六）（七）在方程式中，(6) 和（7），���1和���2是控制指数衰减的常数，������是梯度的指数移动平均，其由梯度的一阶矩获得，������是平方梯度，其由梯度的二阶矩获得， 梯度离心Adam优化器具有收敛速度快、内存需求少、梯度的尺度变换不影响参数更新等优点。目前，它已成为主流的梯度优化算法，性能良好在大多数分类任务中。3. 模型训练和结果分析3.1. 实验数据这项研究使用Kaggle官方网站打开数据集：新的植物疾病数据集。在本文中，22427图片的数据集中包括JPG格式的作物叶片，包括苹果等5种作物的10幅病害或健康图片，樱桃和玉米作物种类及对应图片数量见表2-1。3.2. 预处理阶段首先剔除数据集中的重复和无效数据，然后将数据集随机划分为训练集按8：2的比例进行。根据给定的标签文件对数据进行分类，将不同疾病的数据集分别存放在10个文件夹中。文件夹以疾病名称命名，便于后续编程[17]。 一些预处理数据集的RGB图像如图所示。二比一为了更好地应用于模型，减少训练时间并减轻过拟合合并的收敛[18，19]，需要对数据集进行预处理[20- 23]。本研究中使用的预处理策略包括：1) 归一化处理[24]：给定系数（[0.485，0.456，0.406]，[0.229，0.224，0.225]），归一化图像将其piX el值范围从原始的[0，255]改变为[0，1]。归一化图像可以加速神经网络的收敛，有效地缓解神经元输出的饱和1 −X.孙，G. Li，P. Qu et al.认知机器人2（2022）155159表2-1作物种类和数量。number病种的图片1玉米灰斑病20522玉米青枯病23853番茄疫病21814番茄斑点病22845细菌性斑点21276番茄蜘蛛21767番茄花叶22388苹果雪松锈病22009葡萄黑腐病236010马铃薯晚疫病2424图2-1. 预处理图像的一部分。2) 随机旋转：数据随机部分的随机旋转，如30 °、90 °、180 °等。3) 随机图片拼接：按照给定的概率（P=30%）随机拼接原始图片。4) 亮度、饱和度和对比度变化：调整随机数据的亮度和对比度，使神经网络具有面对不同光照背景下的图像时具有更好的泛化能力[25]。5) 中心剪裁：剪切图片随机部分的中心，去掉边缘背景，只保留中间的叶子， 保持图片大小不变，以减少图像背景对特征提取过程的干扰6) 添加高斯噪声：在图像中添加高斯噪声，减少噪声对图像识别精度的影响，增强它的泛化能力。处理后的照片会有肉眼可见的小白点[26]。最后，将所有已处理和未处理的疾病图像的像素统一调整为224× 224，以适应神经网络对图像分辨率的要求。图2-1共12幅。从左到右，从上到下，分别是苹果雪松锈的原图、镜面反射、最小饱和度、最大饱和度、最小对比度、最大对比度、最小亮度、最大亮度、旋转270°、旋转90°、旋转45°、中心剪裁。限于空间，这里只预处理了一张苹果雪松锈病的图像此外，上述12幅图像被添加了高斯噪声。3.3. 实验配置和模型参数实验硬件配置为配备AMD Ryzen 5 1600X six核处理器CPU和NVIDIA GeForce GTX 1650 GPU的计算机，配备windows 10 64位操作系统，深度学习框架，版本为PyTorch 1.9.1，使用CUDA 11.1和cuDNN 8.0.5通过GPU加速网络模型的训练。三种网络模型的初始学习率均设为0.001，并引入学习率衰减策略。每次参数更新后的学习率衰减值（衰减）设置为0.001，批量大小设置为16，训练次数（epoch）设置为15;在训练过程中，检查点的学习效果最好;迁移学习用于迁移三个网络的预先学习知识X.孙，G. Li，P. Qu et al.认知机器人2（2022）155160++++的+的表2-2不同网络模型的评价指标。范畴网络12345678910平均值ResNet50精度0.9220.9520.9670.9110.9510.9630.9820.9770.9710.9680.956召回0.9290.9180.9420.9490.9310.9140.9840.9750.9550.9380.943DenseNet169精度0.9720.9600.9880.9820.9760.9830.9950.9930.9850.9890.982召回0.9560.9720.9830.9860.9950.9830.9880.9950.9950.9790.983电子邮件精度0.9590.9790.9830.9760.9830.9840.9970.9820.9920.9890.982召回0.9710.9570.9750.9700.9870.9930.9930.9820.9930.9770.979FL-电子邮件精度0.9590.9800.9950.9820.9850.9860.9970.9900.9950.9930.986召回0.9750.9660.9970.9840.9880.9970.9950.9970.9970.9950.989表2-3不同网络模型的精度和损失模型测试集准确度测试集损失训练持续时间ResNet500.9510.41320049秒（约5.6小时）DenseNet1690.9900.08224741秒（约6.9小时）电子邮件0.9840.10517035S（约4.7小时）公司简介0.9970.05316820 s（约4.7 h）ImageNet数据集中的模型来进行实验。为了比较改进效果，除了FL-E网络模型使用Focal损失函数外，其他网络模型都使用CE损失函数。3.4. 实验结果及分析在本文中，ResNet50，DenseNet169，和EschercientNet被用作实验NPDD数据集。数据集有22427张作物叶片图片，包含5种作物的10种病害类别，训练集和测试集的比例为8：2。此外，以查准率和查全率作为模型的评价指标，对实验网络的性能进行了评价。查准率和查全率值越大，模型质量越高，公式如公式（8）<$（10）所示。准确度=1000���+1000������ ������ ��� ��� ���������精密度=100������ ������回忆=回忆������������（八）（九）（十）在公式（8）和（10）中，TP是真阳性，TN是真阴性，FP是假阳性，FN是假阴性。的各网络模型的准确率和召回率见表2-2。在表2-2中，FL-E AdjectientNet比ResNet 50网络具有更高的准确率和召回率。ResNet50是一个经典的CNN结构。它利用残差结构解决了网络深度过深时的梯度消失现象，但没有考虑网络宽度和图像分辨率对分类结果的影响，不能提取图像的细粒度特征，因此，分类效果远远低于FL-E AdmiscientNet和DenseNet 169。FL-E网络评价指标与Densenet 169评价指标值相差不大，但总体上以FL-E网络评价指标最优。只有个别类别的个别指标在玉米灰斑病的准确率（No.1）、玉米青枯病的召回率（No.2）、玉米青枯病的召回率（No.3）等方面均不如DenseNet169番茄斑点病的检出率（No.4）、番茄疮痂病的召回率（No.5）、苹果雪锈病的准确率（No.8）。由于DenseNet169强调各通道特性的整合和中间层关系的增强，和网络的层次，特别是通过分支结构对特征的重用，FL-E EscientNet使用复合系数来均匀地缩放网络宽度、网络深度和输入图像分辨率，并强调三个参数，并且在特征重用方面略有不足，这导致单个类别的准确率略高于E.NPDD数据集中的ResNet 50、DenseNet 169、E EscientNet和FL-E EscientNet的总定量评价指标为如表2-3和图2所示。2比2结合图2-2，发现ResNet 50在训练过程中第13个epoch就已经接近收敛，收敛速度远低于DenseNet 169和FL-E ApricientNet，这主要是由网络。ResNet50参数最多，不考虑网络宽度和核心输入的影响网络上的图像分辨率。ResNet50训练中准确率的波动是因为超参数下降进入局部最优解，经过不断迭代跳出局部最优解。 DenseNet 169、E EccientNet和FL-E EccientNet在第四个历元几乎收敛，收敛速度非常快，这主要得益于网络本身的高性能。 此外，迁移学习用于将学习到的功能加载到新任务中，以加速网络模式的融合。虽然ResNet50也使用了迁移学习，但由于其参数众多，效果并不明显。结合表2-3可以发现，FL-E的分类精度最高，这是由于分类精度高网络本身。通过引入焦点损失，网络更多地关注样本较少的类别与此同时，X.孙，G. Li，P. Qu et al.认知机器人2（2022）155161图2比2 不同网络模型训练过程中的损失和精度曲线。图2-3. 诊断的图像结果X.孙，G. Li，P. Qu et al.认知机器人2（2022）155162引入DropConnect策略是为了在一定程度上防止过度拟合。而且网络采用NAS技术，动态调整网络，网络层数不会太深或太浅，网络高度不会太高或太低，图像分辨率不会太大或太小，最大限度地减少了网络参数的数量。ResNet 50在训练时间较短的前提下不能很好地保证识别精度，DenseNet 169在保证识别精度的前提下不能考虑训练时间，FL-E EsccientNet在识别精度和训练方面稍好在考虑到训练时间和识别精度的前提下，它不仅具有识别精度最高，训练时间最短为了验证识别效果，我们使用PyTorch和Flask构建了一个简单的Web服务，如图2-3所示。打开后Web服务，打开浏览器，输入预先设置好的服务器地址和端口，按照提示，点击“加载”选择要预测的疾病图片，点击“预测”按钮，显示预测结果。在图2-3中，很明显，结果是“蚕豆-健康”，其预测置信度为“99.6%"。4. 结论植物病害图像识别是计算机视觉与农业的深度结合，具有良好的应用前景。 本文提出的基于FL-E神经网络的植物病害识别与分类方法，通过在任务中引入Focal损失函数，解决了不同种类植物病害样本数量不均衡的问题的多类植物病害分类，有效地提高了网络模型识别病害类型的准确性在样本数量较少的情况下，使用DropConnect来有效地减少过拟合的发生。最后，FL-E神经网络模型在收敛速度和识别准确率方面优于对比网络，平均准确率为99.72%。根据准确率和召回率两个评价指标可以看出，FL-E模糊聚类模型是有效的。与传统算法的比较表明，本文模型具有更快的收敛速度、精度，和及时性，为后续移植到移动终端奠定了基础竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作确认本研究得到了国家自然科学基金（批准号：62002082）、广西自然科学基金（批准号：2020GXNSFBA238014）、广西大学中 青 年 教 师 科 研 能 力 提 高 项 目 （ 批 准 号 ： 20020000000 ） 2020KY05034 ） 、 河 南 省 科 技 重 点 专 项 研 究 开 发 计 划202102210388）引用[1] JChen，J Chen，D Zhang，et al.，基于深度迁移学习的植物病害图像识别[J]，Comput.电子学。农业。 173（2020）105393.[2] HLu，Y Li，M Chen，et al.，脑智能：超越人工智能[J]，移动网络应用. 23（2）（2018）368-375。[3] K. 李文，李文，等.基于SVM和深度学习的植物病害分类[J].植物学报，2001，24（1）：117- 118. 今天47（P1）（2021）468-470.[4] KPrashar，R Talwar，C.Kant，CNN based on overlapping pooling method and multi-layered learning with SVM KNN for American cotton leaf diseaserecognition [C]，in：2019 International Conference on Automation，Computational and Technology Management（ICACTM），IEEE，2019，pp.330-333[5] C U Kumari，SJPrasad，G.Mounika，叶病检测：K-means聚类特征提取和ANN分类[C]，在：2019年第三届国际计算方法和通信会议（ICCMC），IEEE，2019年，pp.1095-1098[6] HWang，G Xu，X Pan，et al.，基于双注意和递归卷积的多任务生成式对抗学习核分割[J]，Biomed.信号处理控制75（2022）103558。[7] H Wang，G Xu，X Pan，et al.，基于注意力初始的U-Net算法在视网膜血管分割中的应用[J]，Comput.电气工程98（2022）107670。[8] YZhao，JChen，Xu，et al.，SEV-Net：嵌入注意机制的植物病害严重度检测残差网络[J]，Concurr.Comput. 33（10）（2021）e6161。[9] ASagar，D.杨文，杨文，等.基于迁移学习的植物病害检测方法[J].北京：科学出版社，2005.[10] JChen，D Zhang，M Suzauddola，et al.， 基于挤压激励MobileNet模型和二次迁移学习的植物病害图像识别[J]，IETImage Processing 15（5）（2021）1115-1127.[11] [1]谭明，李乐，李明，等.卷积神经网络模型缩放的再思考[C]，见：国际机器学习会议，PMLR，2019，pp. 6105-6114[12] Zoph B，Le Q V.基于强化学习的神经网络结构搜索[J].arXiv预印本arXiv：1611.01578，2016。[13] HLu，Y Zhang，Y Li，et al.，面向用户的车辆通信虚拟移动网络资源管理[J]，IEEE Trans.智能交通。22（6）（2020）3521[14] 卢华，唐勇，孙勇.基于区块链的分布式路由注册系统[J]. IEEE/CAA J.《中国自动化》8（12）（2021）1868-1876。[15] TY Lin，P Goyal，R Girshick，et al.，引用该论文张文，张文军，张文军.模式肛门。马赫内特尔42（2）（2020）318-327。[16] 乌姆海尔河李晓，李晓，等.基于遗传算法的基因芯片数据分类方法[J].北京：科学出版社，2000，24（3）：119 - 119.Ambient Intell.人性化的计算11（11）（2020）5187[17] 张伟，董立，王伟.徐，基于Retinex的水下图像颜色校正与细节保持融合[J]，计算机辅助图像增强.电子学。农业。192（2022）106585.[18] Cong R，Yang N，Li C，et al.全局与局部协同学习的共显著目标检测[J].arXiv预印本arXiv：2204.08917，2022。[19] CLi，C Guo，L H Han，et al.，基于深度学习的微光图像和视频增强技术研究[J]，IEEE Trans.模式肛门。机器内部（01）（2021）1-1.X.孙，G. Li，P. Qu et al.认知机器人2（2022）155163[20] XPan，L Li，H Yang，et al.，基于稀疏重构和深度卷积网络的病理图像细胞核精确分割[J]，Neurocomputing 229（2017）88[21] WZhang，L Dong，X Pan，et al.，水下图像的复原与增强研究综述[J]，IEEE Access 7（2019）182259-182279.[22] WZhang，L Dong，T Zhang，et al.，基于颜色校正和双区间对比度增强的水下图像增强[J]，信号处理：图像通信90（2021）116030.[23] WZhang，X Pan，X Xie，et al.，水下图像增强中的颜色校正和自适应对比度增强[J]，Comput.电气工程师91（2021）106981。[24] HLu，M Zhang，X Xu，et al.，引用该论文张文，张文.模糊系统 29（1）（2020）166-176。[25] RLan，L Sun，Z Liu，et al.，引用该论文张文，张文军，张文军.控制论51（3）（2020）1443-1453。[26] R Lan，L Sun，Z Liu，et al.，基于级联和增强残差网络的精确单图像超分辨率[J]，IEEE Trans. Cybernetics 51（1）（2020）115-125.