孟亮 郭小燕 杜佳舉 沈航馳 胡彬

摘要：? 針對傳統(tǒng)CNN （Convolutional neural network）模型存在訓(xùn)練參數(shù)量大而無法應(yīng)用于硬件條件受限的場合這一問題，本研究提出一種輕量級CNN農(nóng)作物病害識別模型，能夠在保證模型識別準確率情況下簡化模型結(jié)構(gòu)，擴大模型的適用場景。設(shè)計1個深度卷積模塊作為基本卷積單元，2個深度卷積模塊和1個批歸一化層組成1個殘差塊作為殘差單元，以殘差單元作為基本元素設(shè)計一個輕量級CNN農(nóng)作物病害識別模型。對辣椒、番茄和馬鈴薯的病害圖像進行分類識別，最終模型在訓(xùn)練集上的總識別準確率為99.33%，測試集上的總識別準確率為98.32%。相對VGG16等傳統(tǒng)模型，在進行農(nóng)作物病害識別時本模型有更高的識別準確率、更快的識別速度和更小的內(nèi)存占用。

關(guān)鍵詞：? CNN; 輕量級; 農(nóng)作物; 病害; 識別準確率

中圖分類號：? TP391.41??? 文獻標識碼： A??? 文章編號：? 1000-4440（2021）05-1143-08

A lightweight CNN model for image recognition of crop disease

MENG Liang， GUO Xiao-yan， DU Jia-ju， SHEN Hang-chi， HU Bin

（School of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）

Abstract：? The traditional convolutional neural network （CNN） model cannot be applied to occasions with limited hardware conditions due to the large amount of training parameters. This research proposed a lightweight CNN model for crop disease recognition， which could simplify the model structure and expand the applicable scenarios under the condition of ensuring the accuracy of model recognition. A deep convolution module was designed as the basic convolution unit， and two deep convolution modules and a batch normalization layer were used as the residual units. A lightweight CNN model for crop disease recognition was designed with the residual unit as the basic element. The total recognition accuracy of the model on the training set was 99.33%， and the total recognition accuracy on the test set was 98.32%. Compared with the traditional models such as VGG16， the lightweight CNN model has higher recognition accuracy， faster recognition speed and less memory occupation.

Key words：? convolutional neural network （CNN）; lightweight; crops; diseases; recognition accuracy

中國是農(nóng)業(yè)大國，農(nóng)作物在很大程度上實現(xiàn)了自給自足，但是在農(nóng)業(yè)自動化方面和許多發(fā)達國家還有很大差距。隨著計算機技術(shù)及人工智能的不斷發(fā)展，學(xué)者們開始探索專家系統(tǒng)或者圖像分割算法在農(nóng)作物病蟲害識別上的應(yīng)用。Singh等? [1] 使用SVM（Support vector machine）分類器使得對早期豌豆銹病的識別達到微觀層面。張建華等? [2] 基于最優(yōu)二叉樹和SVM的方法對蜜柚病害圖像進行識別，準確率達到90%。Park等? [3] 在病蟲害識別領(lǐng)域提出模式識別和多光譜分析技術(shù)，有效提升了識別準確率。Umut等? [4] 使用機器學(xué)習(xí)對棉花常見病害進行識別，準確率達到90%以上。Maniyath等? [5] 提出一種基于特征提取的改進SVM算法，融合機器視覺和模糊識別，大大提升了識別效果。陳佳娟? [6] 使用特定算法計算出棉花病葉受損程度。王長斌? [7] 提出一種新的病害識別算法，但是計算速度較慢。Zhang等? [8] 提出從患病玉米中提取葉片特征，再將提取的特征輸入K近鄰分類器進行分類，對5種玉米病害識別率在90%以上。Singh等? [9] 提出使用遺傳算法對植物早期病害進行檢測。

以上方法在進行病蟲害的識別時需要提取大量的圖像特征且計算復(fù)雜，故識別準確率受到圖像特征矩陣提取結(jié)果與計算機計算能力的限制。隨著人工智能的發(fā)展，農(nóng)業(yè)與深度學(xué)習(xí)的結(jié)合使得農(nóng)作物病蟲害圖像識別的發(fā)展有了質(zhì)的飛躍。Gassoumi? [10] 采用基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的軟計算模型技術(shù)對棉花病害進行了有效識別。溫芝元等? [11] 開發(fā)了一種補償模糊神經(jīng)網(wǎng)絡(luò)，用于臍橙的病蟲害識別。張建華等? [12] 通過粗糙集和誤差反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建了棉花病害識別模型。黃雙萍等? [13] 提出基于GoogleNet模型的水稻穗瘟病檢測方法，模型識別性能有了較大提高。Mohanty等? [14] 提出多層卷積神經(jīng)網(wǎng)絡(luò)，該模型在訓(xùn)練后能夠快速提取植物病害特征，可以對多達14種病害進行分類。楊秀坤等? [15] 提出基于退火算法的神經(jīng)網(wǎng)絡(luò)模型，該算法能夠?qū)μO果進行檢測，判斷其表皮是否有缺陷。王克如? [16] 將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合起來，可對玉米常見病害進行識別。龔丁禧等? [17] 建立了可遷移的卷積神經(jīng)網(wǎng)絡(luò)，該模型在簡單訓(xùn)練后可應(yīng)用于其他植物病害識別中。

卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力和學(xué)習(xí)能力，使得自然條件下的病害圖像特征也能夠被準確地提取并使得模型具有良好的遷移性，這對于中國農(nóng)作物病害的快速精準識別，提高糧食產(chǎn)量有著重要的意義，但是以卷積神經(jīng)網(wǎng)絡(luò)為代表的傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)模型由于參數(shù)訓(xùn)練量大，所以收斂速度較慢，同時對運算的軟硬件設(shè)備有極高的要求。因此將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于農(nóng)作物病蟲害的識別時，如果將應(yīng)用場景擴展到嵌入式或者移動設(shè)備上面，有限的計算資源將面臨模型參數(shù)量巨大、訓(xùn)練時間長，存儲空間不足等問題。本研究針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)受硬件限制，收斂速度慢，占用內(nèi)存大，識別準確率較低的問題，設(shè)計開發(fā)了一種基于殘差思想的卷積神經(jīng)網(wǎng)絡(luò)模型Light-CNN（Lightweight convolutional neural network），旨在保證識別準確率的前提下精簡模型結(jié)構(gòu)，從而提升農(nóng)作物病害類別的識別實時性，從而擴大其適用范圍與應(yīng)用場景? [18] 。

1 試驗材料

本試驗采用PlantVillage植物病害圖像庫作為試驗數(shù)據(jù)來源。該數(shù)據(jù)集在實驗室條件下采集，包含蘋果黑星病、蘋果黑腐病、馬鈴薯早疫病等13種植物的26種病害的圖像，共計 54 306 張圖片。在本研究中，選取辣椒、馬鈴薯和番茄3種農(nóng)作物，15種病害葉片圖像，共 22 787 張圖片作為數(shù)據(jù)集。表1給出了該數(shù)據(jù)集的15種病害樣本信息。圖1為數(shù)據(jù)集病害葉片圖像展示。為了提高模型的處理效率，將原始圖像尺寸調(diào)整為 64× 64，在數(shù)據(jù)集中隨機抽取80%圖像用于建立訓(xùn)練集，剩余20%圖像用于測試集。

2 模型輕量化設(shè)計策略

2.1 全局平均池化

池化層又稱為下采樣層，針對原始圖像經(jīng)過卷積層后參數(shù)量增大導(dǎo)致模型無法快速擬合的問題，利用池化操作對卷積操作后的圖像特征進行降維處理。傳統(tǒng)的最大值池化、平均池化在一定程度上可以減少訓(xùn)練參數(shù)從而提高訓(xùn)練的速度，節(jié)約硬件成本，但是當模型的訓(xùn)練受到硬件條件限制時，仍會出現(xiàn)訓(xùn)練、識別速度受限的問題。為了更近一步簡化模型結(jié)構(gòu)，本研究采用全局平均池化，與平均池化將特征圖矩陣以窗口形式取均值不同，全局平均池化以整個特征圖為單位進行均值化，每一張?zhí)卣鲌D最終可以獲得1個均值，從而大幅度減少了網(wǎng)絡(luò)的參數(shù)數(shù)量。

2.2 數(shù)據(jù)標準化

數(shù)據(jù)的標準化操作可以提升輸入數(shù)據(jù)的質(zhì)量，從而大幅度提高模型收斂的速度與準確率，本模型采用Z-score（公式1）標準化方法使得輸入數(shù)據(jù)相對于原點對稱，輸入圖像像素從原來的（0，255）映射為（0，1），數(shù)據(jù)標準化后符合正態(tài)分布，輸入向量的正交性增強，有效加快了模型運行的速度和避免模型陷入梯度消失的問題。

μ B= 1 m ∑ m i=1 x i ; σ 2 B= 1 m ∑ m i=1 （x i-μ B） 2 ;? ?i= x i-u B σ 2 B+l ??（1）

式中， x i 為輸入的第 i 個數(shù)據(jù)， m 為輸入數(shù)據(jù)個數(shù)， μ B 為均值， σ 2 B 為方差， l 是一個微小值，用來防止出現(xiàn)除以0的情況。

2.3 隨機淘汰

在反向傳播過程中，權(quán)值的更新可能會過于依賴部分隱藏神經(jīng)元，導(dǎo)致圖像中某些特征的提取出現(xiàn)盲區(qū)，因此在反向更新權(quán)值的過程中，每次迭代時隨機丟棄50%的神經(jīng)元，被剔除的神經(jīng)元不再參與本次迭代中信號的傳遞，使得神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)時和權(quán)值在更新時對于所有的神經(jīng)元都保持敏感，從而使得模型的魯棒性更強，有效抑制過擬合現(xiàn)象。

3? 農(nóng)業(yè)病害圖像識別模型

3.1 深度卷積塊

卷積操作用于提取原始圖像信息，為了提升模型提取圖像信息的能力，本研究設(shè)計1個由卷積層、批歸一化層和非線性激活函數(shù)組成的深度卷積塊作為特征提取的基本單元，其中卷積層采用64個大小為 3× 3的卷積核， 大小為 64× 64的原始圖像經(jīng)過第1次標準卷積初步提取特征后大小為 62× 62。本模型設(shè)置填充機制，即始終用0填充處理過的圖像使其保持大小為 64× 64。批歸一化層將經(jīng)過標準卷積后的圖像數(shù)據(jù)從（0，255）映射到（0，1），避免出現(xiàn)梯度消失的情況。非線性激活采用ReLu函數(shù)，圖2為深度卷積塊結(jié)構(gòu)圖。圖3為深度卷積塊對植物葉片病害特征的初步提取樣圖。

a1為辣椒細菌性斑點病葉片;b1、c1分別為馬鈴薯早疫病葉片和馬鈴薯晚疫病葉片;d1～l1分別為番茄輪斑病葉片、番茄花葉病葉片、番茄黃曲葉病葉片、番茄細菌性斑點病葉片、番茄早疫病葉片、番茄健康葉片、番茄晚疫病葉片、番茄葉霉病葉片、番茄斑枯病葉片和番茄二斑葉螨病葉片。a2～l2分別為a1～ l1經(jīng)過深度卷積塊后的病害特征初步提取樣圖。

3.2 殘差塊

隨著網(wǎng)絡(luò)層數(shù)的增加，卷積神經(jīng)網(wǎng)絡(luò)提取的信息越來越多，模型的參數(shù)也劇烈增長，采用梯度下降法更新權(quán)值時，當網(wǎng)絡(luò)到達一定深度后，會出現(xiàn)梯度為0或者梯度爆炸的現(xiàn)象，梯度為0將導(dǎo)致權(quán)值無法繼續(xù)得到有效更新，識別準確率反而下降;梯度爆炸將使得模型出現(xiàn)劇烈動蕩而無法收斂。He等? [19] 提出ResNet，采用一種恒等映射，即在網(wǎng)絡(luò)中直接將單元的輸入與單元的輸出相加再輸入到下一層，從而解決了傳統(tǒng)網(wǎng)絡(luò)訓(xùn)練中隨著網(wǎng)絡(luò)層數(shù)的增加網(wǎng)絡(luò)性能反而退化的問題。本模型利用殘差思想，設(shè)計了1個殘差塊，使得在增加網(wǎng)絡(luò)深度時能夠繼續(xù)保持模型的精度。殘差塊由2層深度卷積塊和1個批歸一化層構(gòu)成。深度卷積塊均使用64個大小為3×3的卷積核，為解決由于卷積操作導(dǎo)致的原圖像部分特征消失的問題，本研究所設(shè)計的殘差塊在通過2層深度卷積塊后與原輸入圖像相加，從而保證在網(wǎng)絡(luò)層數(shù)增加時保持模型原有的精度。為增強模型魯棒性，在每個殘差塊后面均使用批歸一化層，從而提高收斂的速度。殘差塊結(jié)構(gòu)如圖4 所示。

3.3 植物病害識別模型

針對傳統(tǒng)CNN模型收斂速度慢，占用內(nèi)存大，識別率較低的問題，本研究設(shè)計了1個輕量級植物病害識別模型（Light-CNN），該模型分為特征提取子模型和分類子模型。特征提取子模型由1個單層卷積層，5個殘差塊，1個全局平均池化層組成，在分類子模型中又分為植物類別分類與病害類別分類2個子模型。分類子模型由3個全連接層、1個Droput層和1個SoftMax層組成。在本模型中，首先將待識別圖片大小統(tǒng)一為 64× 64，通過一層卷積核大小為 3× 3，數(shù)量為64的標準卷積層提取圖像初級特征，再經(jīng)過5個殘差塊提取圖像高級特征以及減少特征損失，當進行卷積與池化操作使得圖像尺寸變小時，均采用填充0的方式，以保證模型中所有的特征圖大小始終為 64× 64，經(jīng)過5個殘差塊后再經(jīng)過全局平均池化、全連接層、Dropout層和全連接層，最后通過SoftMax進行分類輸出，具體模型結(jié)構(gòu)見圖5。

4 模型訓(xùn)練與試驗結(jié)果分析

本模型的數(shù)據(jù)集為PlantVillage部分數(shù)據(jù)集，在本研究預(yù)訓(xùn)練模型中采用Adam Optimizer作為網(wǎng)絡(luò)參數(shù)優(yōu)化器，損失函數(shù)采用稀疏交叉熵（Sparse_categorical_crossentropy）損失函數(shù)，使用衰減學(xué)習(xí)率方法進行學(xué)習(xí)訓(xùn)練，梯度下降過程中，訓(xùn)練集設(shè)置批處理樣本數(shù)為8，測試集設(shè)置批處理樣本數(shù)為1。

4.1 模型的訓(xùn)練

4.1.1 稀疏交叉熵損失函數(shù)? 在進行模型損失值計算時，由于本數(shù)據(jù)集中均使用數(shù)據(jù)原始標簽，分別用 0～ 14來表示待分類的15種類別。本研究選用稀疏交叉熵損失函數(shù)，以計算真實標簽數(shù)值與預(yù)測標簽數(shù)值的交叉熵誤差為依據(jù)進行權(quán)值的修正[公式（2）]。

E=- 1 N? ?n? ?k t ?nk? ln ?y ?nk?? （2）

其中， N 表示 N 個數(shù)據(jù); y ?nk? 表示神經(jīng)網(wǎng)絡(luò)第 n 個元素第 k 個元素的輸出; t ?nk? 表示神經(jīng)網(wǎng)絡(luò)第 n 個元素第 k 個元素的標簽。

4.1.2 衰減法學(xué)習(xí)率? 在模型運行中，恒定的學(xué)習(xí)率容易導(dǎo)致模型訓(xùn)練時陷入局部極值，因此本模型采用衰減法設(shè)置學(xué)習(xí)率，隨著迭代次數(shù)的不斷增加，學(xué)習(xí)率不斷下降，最終趨于穩(wěn)定。衰減法學(xué)習(xí)率公式如下：

r=r 0×p?? ?I θ? ???（3）

其中 r 0 為基礎(chǔ)學(xué)習(xí)率; p 為衰減系數(shù); I 為迭代次數(shù); θ 為衰減速度;? ?I θ? ?是對取得的值向下取整。本模型中基礎(chǔ)學(xué)習(xí)率設(shè)定為0.001，學(xué)習(xí)率下限為 0.000 000 01 ，衰減系數(shù)設(shè)置為0.9，衰減速度為 12 000 。即每經(jīng)過 12 000 次迭代，如果損失函數(shù)的損失值沒有明顯的降低，則將學(xué)習(xí)率降低為原來的90%，直到達到最終的學(xué)習(xí)率下限。

4.1.3 歷史值保留機制? 本研究中為保證結(jié)果的嚴謹性，需要多次重復(fù)試驗。在進行權(quán)值的更新過程中，為了避免在訓(xùn)練后期初始權(quán)值重復(fù)訓(xùn)練以及有可能出現(xiàn)隨著迭代次數(shù)的增加，識別率反而下降的情況，在訓(xùn)練過程中保存權(quán)值歷史值，以期在只關(guān)注全連接權(quán)值參數(shù)時，可以直接導(dǎo)入權(quán)值歷史最優(yōu)值，以峰值識別率所對應(yīng)的參數(shù)作為下一次試驗迭代次數(shù)設(shè)定的依據(jù)，從而加快模型識別的速度。

4.2 試驗結(jié)果分析

本模型均在TensorFlow框架下進行試驗。硬件環(huán)境：Inter（R） Xeon（R） W-2123 CPU @3.6 GHz，16 GB RAM，NVIDIA GeForce GTX 1 080 GPU，8 GB Video Memory。軟件環(huán)境：CUDA toolkit 10.0，cuDNN 10.0，Windows 10 64bit，Python 3.7，TensorFlow 2.0.0。

本研究中使用分類準確率作為最終結(jié)果的評價指標之一，分類準確率越高，則意味著本模型的識別和分類性能越好。

單個類別識別準確率計算公式：

Acc= n ?c ?n ?t? （4）

其中 n ?c是單個類別的準確預(yù)測數(shù)， n ?t是單個類別樣本總數(shù)。

模型識別的平均準確率公式：

AA= Acc n ??（5）

其中 n 為樣本的總類別數(shù)。

本模型考慮到低檔終端中運行時的存儲和計算能力的限制，將模型所占內(nèi)存大小、單張圖片所使用的識別時間、識別準確率作為模型評價的標準。在模型識別率高且所占內(nèi)存較小的情況下，單位時間識別圖片越多，則該模型能夠在實際農(nóng)作物病害檢測中具有更廣泛的應(yīng)用。

4.2.1 試驗結(jié)果? 本模型的輸出為15個類別，分別代表辣椒、馬鈴薯、番茄3種農(nóng)作物的15種病害，識別結(jié)果見表2。其中植物的平均識別準確率為99.35%，病害的平均識別準確率為99.28%。

由圖6可以看出，當?shù)螖?shù)較低時，模型的學(xué)習(xí)次數(shù)不夠，準確率不理想。但是隨著迭代次數(shù)的不斷提升，訓(xùn)練集中植物樣本和病害樣本的識別準確率在不斷提升。第1次迭代之后植物分類識別準確率為82.59%，病害識別準確率為76.12%，之后識別率便快速提升，迭代到第45次時準確率趨于平穩(wěn)。當?shù)螖?shù)達到第50次時，植物識別準確率稍有下降，而病害識別準確率達到最高，訓(xùn)練集植物識別準確率達到99.35%，訓(xùn)練集病害識別準確率達到99.28%，總識別準確率達到99.33%。

從圖7可以看出，測試集在第1次到第3次迭代過程中植物和病害的識別準確率由63.98%和29.87%升至84.54%和70.98%。但當?shù)螖?shù)從第3次到第4次時，測試集中出現(xiàn)過擬合現(xiàn)象，導(dǎo)致識別準確率急速下降。當?shù)螖?shù)從第4次到第5次時，模型準確率又開始大幅提升，而當?shù)螖?shù)從第5次到第9次時準確率又大幅度下降。迭代次數(shù)從第9次至第12次時準確率大幅度提升，之后除迭代次數(shù)從第15次到第16次和第24次到第25次時發(fā)生過擬合導(dǎo)致準確率發(fā)生急速下降外，其余迭代期間準確率均穩(wěn)步增長。在迭代次數(shù)達到28次時，準確率趨于穩(wěn)定，最終當?shù)螖?shù)達到第50次時，準確率達到最大。測試集植物分類準確率為99.44%，測試集病害分類準確率為98.28%，測試集總準確率為98.32%。

從迭代次數(shù)角度看，在訓(xùn)練的初期隨著迭代次數(shù)的增多，模型的識別準確率也越來越高，但當?shù)螖?shù)超過一定程度時，模型的識別準確率不僅不再提高，可能還會出現(xiàn)一定幅度的降低。因此，選擇合適的迭代次數(shù)可以獲得更優(yōu)的網(wǎng)絡(luò)參數(shù)，可以最大化地發(fā)揮模型的性能。在本模型中，50次的迭代次數(shù)可以獲得最優(yōu)識別效果。

4.2.2 不同模型對比試驗? 為進一步研究本模型的性能，分別選擇AlexNet? [20] 、VGG16? [21] 、GoogleNet ?[22] 、ResNet50? [23] ?4種深層網(wǎng)絡(luò)模型與本模型進行對比，這4種模型均采用標準網(wǎng)絡(luò)結(jié)構(gòu)。AlexNet、GoogleNet為5層卷積層，3層全連接層;VGG16為13層卷積層和3個全連接層;ResNet50為4個殘差塊，每個殘差塊均使用 3× 3卷積核，共50個標準卷積層，1個全連接層。表3描述了不同網(wǎng)絡(luò)模型占用內(nèi)存的大小和針對本數(shù)據(jù)集的平均識別準確率。由表3可知，AlexNet、VGG16? [24] 的識別準確率為86.12%和88.75%。相比這2個模型，GoogleNet的識別準確率較高，達到92.00%，本模型在識別準確率方面達到99.33%。雖然ResNet50在訓(xùn)練集識別準確率方面稍微高于本模型，達到99.76%，但是其測試集識別準確率為92.31%，發(fā)生了明顯的過擬合。因此在農(nóng)作物病害識別率方面，本模型和VGG16、AlexNet、GoogleNet相比有較大的優(yōu)勢，相比ResNet50也有一定優(yōu)勢。在模型占用內(nèi)存大小方面，VGG16占用內(nèi)存最大，為552.0 MB，GoogleNet占用內(nèi)存大小為87.5 MB，AlexNet占用內(nèi)存大小為227.6 MB，ResNet50 占用內(nèi)存大小為90.3 MB。而本模型經(jīng)過訓(xùn)練后所占內(nèi)存大小僅為4.6 MB。因此在模型占用內(nèi)存大小方面，本模型相對VGG16、AlexNet、GoogleNet和ResNet50有較大優(yōu)勢。

表3還給出了本模型與其他深度模型的單張圖片訓(xùn)練所需時間的對比。每一張圖片的訓(xùn)練所需時間都是經(jīng)過多次試驗取平均值所得。從結(jié)果來看，本模型的單張圖片訓(xùn)練所需時間為0.220 s，遠遠小于VGG16等其他模型的用時。試驗結(jié)果表明，本試驗?zāi)Ｐ驮谡加脙?nèi)存大小、識別時間、識別準確率方面均有一定的優(yōu)勢。

5 結(jié) 論

本研究針對當前大部分植物病害識別模型的識別準確率低，模型占用內(nèi)存大的問題，設(shè)計了一種輕量級植物病害識別模型（Light-CNN），使用PlantVillage部分圖片，建立了辣椒、馬鈴薯和番茄的多種病害數(shù)據(jù)集，模型訓(xùn)練結(jié)果表明，在一定范圍內(nèi)，模型的迭代次數(shù)越多，模型的識別準確率越高，但是超過一定范圍，模型的識別準確率可能不再增長，甚至可能降低。在識別植物病害時，本模型在內(nèi)存占用大小，識別時間方面遠優(yōu)于VGG16、AlexNet、GoogleNet和ResNet50;在識別準確率方面遠優(yōu)于VGG16、AlexNet、GoogleNet。因此輕量級植物病害識別模型為手機等移動設(shè)備進行植物病害的檢測提供技術(shù)支撐。本研究模型數(shù)據(jù)集均是在無干擾、無遮擋、圖像清晰、背景固定的實驗室條件下的圖片，因此后期進一步的研究方向是在自然復(fù)雜背景下的植物病害圖像識別。

參考文獻：

[1]? SINGH K， KUMAR S， KAUR P. Support vector machine classifier based detection of fungal rust disease in pea plant （pisam sativam） [J]. International Journal of Information Technology，2019，11（3）：485-492.

[2] 張建華，孔繁濤，李哲敏，等. 基于最優(yōu)二叉樹支持向量機的蜜柚葉部病害識別[J].農(nóng)業(yè)工程學(xué)報，2014，30（19）：222-231.

[3] PARK H， EUN J S， KIM S H. Image-based disease diagnosing and predicting of the crops through the deep learning mechanism[C] //DOMAN T M. The 8th International Conference on Information and Communication Technology Convergence （ICTC）. Jeju Island South Korea ： IEEE Press，2017： 129-131.

[4] UMUT B K， OMER B G， OKTAY Y. Detection of plant diseases by machine learning[C] // HUSSEIN A. The 26th Signal Processing and Communications Applications Conference.Izmir Turkey：IEEE Press， 2018： 1-4.

[5] MANIYATH S R， VINOD P V， NIVEDITHA M， et al. Plant disease detection using machine learning[C] // HUSSEIN A. 26th Signal Processing and Communications Applications Conference.Izmir Turkey：IEEE Press，2018： 41-45.

[6] 陳佳娟. 基于圖像處理和人工智能的植物病害自動診斷技術(shù)的研究[D].長春：吉林大學(xué)，2001.

[7] 王長斌.基于云計算的農(nóng)作物病蟲害多源遙感數(shù)據(jù)挖掘[J].電子技術(shù)，2016，45（3）：15-17.

[8] ZHANG S W， SHANG Y J， WANG L . Plant disease recognition based on plant leaf image[J]. Journal of Animal and Plant Sciences， 2015， 25（3）：42-45.

[9] SINGH V， VARSHA， MISRA A K . Detection of unhealthy region of plant leaves using image processing and genetic algorithm[C]//TORSTEN M. International Conference on Advances in Computer Engineering and Applications （ICACEA）. Ghaziabad， India ： IEEE Press， 2015 ： 1028-1032

[10] GASSOUMI H. A soft computing approach for classification of insects in agricultural ecosystems[D].New Mexico： New Mexico State University， 2000.

[11] 溫芝元，曹樂平. 基于補償模糊神經(jīng)網(wǎng)絡(luò)的臍橙不同病蟲害圖像識別[J].農(nóng)業(yè)工程學(xué)報，2012，28（11）：152-157.

[12] 張建華，祁力鈞，冀榮華，等. 基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J].農(nóng)業(yè)工程學(xué)報，2012，28（7）：161-167.

[13] 黃雙萍，孫 超，齊 龍，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J].農(nóng)業(yè)工程學(xué)報，2017，33（20）：169-176.

[14] MOHANTY S P， HUGHES D P， SALATHE M . Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science， 2016， 7：1419.

[15] 楊秀坤，陳曉光. 用遺傳神經(jīng)網(wǎng)絡(luò)方法進行蘋果顏色自動檢測的研究[J]. 農(nóng)業(yè)工程學(xué)報， 1997， 13（2）： 173-176.

[16] 王克如. 基于圖像識別的作物病蟲草害診斷研究[D].北京：中國農(nóng)業(yè)科學(xué)院，2005.

[17] 龔丁禧，曹長榮. 基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片分類[J].計算機與現(xiàn)代化，2014（4）：12-15，19.

[18] 王春山，周 冀，吳華瑞，等. 改進Multi-scale ResNet的蔬菜葉部病害識別[J].農(nóng)業(yè)工程學(xué)報，2020，36（20）：209-217.

[19] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C] // NIKOS K. The 15th? ??Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Boston American ：IEEE Press，2016：770-778.

[20] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[C] //? PEREIRA F， BURGES C J C. The 25th International Conference on Neural Information Processing Systems. Nevada American ：MIT Press，2012： 1097-1105.

[21] GOMEZ-OJEDA R， LOPEZ-ANTEQUERA M， PETKOV N， et al. Training a convolutional neural network for appearance-invariant place recognition[J]. Computer Ence，2017， 92（1）：89-95.

[22] SZEGEDY C， WEI L， JIA Y， et al. Going deeper with convolutions[C] //CONNELLY B， JUNHWA H. The 33th IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston American ：IEEE Press， 2015 ： 1-9.

[23] 方晨晨，石繁槐. 基于改進深度殘差網(wǎng)絡(luò)的番茄病害圖像識別[J].計算機應(yīng)用，2020，40（S1）：203-208.

[24] 張建華，孔繁濤，吳建寨，等. 基于改進VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識別模型[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2018，23（11）：161-171.

（責(zé)任編輯：陳海霞）