李正 李寶喜 李志豪 戰(zhàn)藝芳 王利華 龔琦

摘要：為了對農(nóng)作物病蟲害進(jìn)行有效防治、有效保障農(nóng)作物健康狀況，快速、精準(zhǔn)地識別農(nóng)作物病蟲害是有效防治的前提條件。對農(nóng)作物病蟲害識別研究進(jìn)行了綜述，歸納了農(nóng)作物病蟲害識別方法的發(fā)展歷程，重點(diǎn)分析了深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)、建模重點(diǎn)環(huán)節(jié)及6類典型架構(gòu)特征，并結(jié)合當(dāng)下的研究熱點(diǎn)和應(yīng)用前景，從構(gòu)建公共數(shù)據(jù)集、集成多種成像技術(shù)、優(yōu)化大模型性能等方向進(jìn)行展望。

關(guān)鍵詞：深度學(xué)習(xí)；農(nóng)作物病蟲害；圖像識別；有效防治

中圖分類號：S126 ? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2023）11-0165-05

DOI：10.14088/j.cnki.issn0439-8114.2023.11.029 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Research progress in crop disease and pest identification based on deep learning

LI Zheng， LI Bao-xi， LI Zhi-hao， ZHAN Yi-fang， WANG Li-hua， GONG Qi

（Institute of Environment and Safety， Wuhan Academy of Agricultural Sciences， Wuhan ?430207，China）

Abstract： In order to effectively prevent and control crop diseases and pests， and ensure crop health， rapid and accurate identification of crop diseases and pests was a prerequisite for effective prevention and control.A review was conducted on the research on crop pest and disease identification， summarizing the development process of crop pest and disease identification methods. The focus was on analyzing the network structure， modeling key links， and six typical architectural features of deep learning. Combined with current research hotspots and application prospects， prospects were made from the construction of public datasets， integration of multiple imaging technologies， and optimization of large model performance.

Key words： deep learning； crop diseases and pests； image recognition； effective prevention and control

糧食安全是國之根本。病蟲害作為主要的風(fēng)險(xiǎn)因素，嚴(yán)重制約農(nóng)作物的正常生長及農(nóng)產(chǎn)品質(zhì)量安全［1］。隨著氣候變化加劇，耕種方式不斷調(diào)整，農(nóng)作物病蟲害近年來呈多發(fā)、頻發(fā)態(tài)勢。農(nóng)作物病蟲害常與溫度、濕度、光照、土壤水分、化肥農(nóng)藥等因素相關(guān)，具有普遍性、致病性特點(diǎn)，部分病害還具有傳染性，發(fā)生在作物生長的全周期，甚至波及到存儲、運(yùn)輸和銷售環(huán)節(jié)。受損作物不僅生理機(jī)能變差，而且其組織結(jié)構(gòu)也會發(fā)生不同程度扭曲，以至在外部形態(tài)上表現(xiàn)異常。如不及時(shí)采取人工干預(yù)防治，會直接導(dǎo)致產(chǎn)量降低、品質(zhì)變差，嚴(yán)重時(shí)會出現(xiàn)作物局部或全株死亡?！笆濉逼陂g，病蟲害造成的糧食損失占中國全年總產(chǎn)量的2.16%～2.59%。據(jù)專業(yè)機(jī)構(gòu)預(yù)測，2023年中國小麥、水稻、玉米、馬鈴薯等農(nóng)作物病蟲害發(fā)生面積為2.03億hm2次，同比增加24.1%［2］。因此，提早識別判定農(nóng)作物病蟲害類型及損害程度對于針對性地實(shí)施綜合防治具有重要指導(dǎo)意義。

1 農(nóng)作物病蟲害識別方法發(fā)展歷程

在早期農(nóng)作物病蟲害的識別采取人工現(xiàn)場辨識方式，農(nóng)民和專業(yè)農(nóng)技人員根據(jù)經(jīng)驗(yàn)通過目視或者將植物樣本切片送到實(shí)驗(yàn)室檢測等方式來分析病蟲害發(fā)生的原因。由于病蟲害覆蓋面廣、種類繁多，必須依靠專業(yè)知識或種植經(jīng)驗(yàn)才能對其作出診斷。但部分病害蟲害特征較相似，不易區(qū)分，人工識別方法存在主觀性強(qiáng)、工作量大、檢出率低等突出問題，容易延誤患病作物的最佳救治時(shí)機(jī)。

隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的興起，利用機(jī)器學(xué)習(xí)進(jìn)行病蟲害識別的研究得到深入發(fā)展［3］。機(jī)器學(xué)習(xí)對作物外部圖像特征進(jìn)行標(biāo)記分類，通過數(shù)據(jù)分析、數(shù)據(jù)挖掘等技術(shù)揭示數(shù)據(jù)之間存在的關(guān)聯(lián)信息，從而自動(dòng)檢測受害情況，較大程度地提升識別效率和準(zhǔn)確度。傳統(tǒng)的機(jī)器學(xué)習(xí)算法包括最小二乘法［4］、支持向量機(jī)［5］、K-means均值聚類算法［6］、主成分分析法［7］等，不同的模型和算法針對不同問題呈現(xiàn)特定的優(yōu)勢。鄭建華等［8］將支持向量機(jī)作為機(jī)器學(xué)習(xí)模型分類器用以區(qū)分葡萄黑腐病、褐斑病、輪斑病，從HSV顏色直方圖特征、HOG特征、RGB顏色矩、GLCM紋理特征4類信息中提取高緯病害特征，該方法對褐斑病的檢出率達(dá)98%。雷雨等［9］結(jié)合主成分分析法和最大類間方差法來提取小麥條繡病圖像特征，從而實(shí)現(xiàn)了分類分級檢測。喬雪等［10］在馬鈴薯病蟲害圖像特征標(biāo)記任務(wù)中，采用基于K-means的圖像分割方法，能夠準(zhǔn)確、完整地將暗頭豆芫菁、重花葉病毒病及黃痿病病斑從彩色圖像中提取出來，在農(nóng)業(yè)病蟲害治理方面具有較高的應(yīng)用價(jià)值。由于機(jī)器學(xué)習(xí)的特征依靠人工提取，在復(fù)雜環(huán)境背景下，尤其對小樣本數(shù)據(jù)和局部特征不明顯的任務(wù)目標(biāo)，無法自主捕捉高級語義特征，學(xué)習(xí)效率低、泛化性不強(qiáng)，很難取得理想的識別效果。

當(dāng)前，大數(shù)據(jù)助推智慧農(nóng)業(yè)快速發(fā)展，數(shù)字化轉(zhuǎn)型成為農(nóng)業(yè)現(xiàn)代化建設(shè)的必然選擇，利用深度學(xué)習(xí)技術(shù)分析農(nóng)作物病蟲害成為新的研究熱點(diǎn)。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)完全依靠數(shù)據(jù)驅(qū)動(dòng)，無需人工干預(yù)，所以能最大化地利用數(shù)據(jù)本身蘊(yùn)含的信息來進(jìn)行目標(biāo)檢測。其深層次網(wǎng)絡(luò)結(jié)構(gòu)可容納豐富的語義信息，即使在復(fù)雜應(yīng)用場景中也能夠快速、準(zhǔn)確地完成目標(biāo)定位和圖像分類任務(wù)，在病蟲害圖像分析中顯現(xiàn)出良好的識別性能。何懷文等［11］基于深度學(xué)習(xí)構(gòu)建了植物病蟲害智能識別系統(tǒng)，并將深度網(wǎng)絡(luò)收斂穩(wěn)定后的模型部署到服務(wù)器端，根據(jù)用戶上傳的病蟲害圖片，對15種病害和30種蟲害特征進(jìn)行識別分類，檢出率為92%，平均識別速度為0.85秒/張。高雨亮［12］采用不同的深度學(xué)習(xí)優(yōu)化器訓(xùn)練Inception-ReaNetV2、MobileNet、VGG、ResNet50 4類卷積神經(jīng)網(wǎng)絡(luò)，再將多模型進(jìn)行融合集成，進(jìn)一步提升病蟲害的識別準(zhǔn)確率。趙越等［13］提出一種基于深度學(xué)習(xí)的馬鈴薯葉片病害分類方法，采用VGG深度網(wǎng)絡(luò)提取目標(biāo)深層次特征，對照卷積后的特征圖譜，在目標(biāo)候選區(qū)域中通過計(jì)算回歸分類置信度得出某種病害的概率，對馬鈴薯早疫病、晚疫病的識別精度達(dá)99.5%。

2 基于深度學(xué)習(xí)的農(nóng)作物病蟲害識別技術(shù)

2.1 深度學(xué)習(xí)

深度學(xué)習(xí)［14］以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過建立一定數(shù)量的神經(jīng)元計(jì)算節(jié)點(diǎn)和多層次運(yùn)算結(jié)構(gòu)實(shí)現(xiàn)特征分層，將初始的低層特征表示轉(zhuǎn)化為高層特征表示，從而完成自主學(xué)習(xí)過程。其網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、隱藏層和輸出層3部分。其中，輸入層接收外部數(shù)據(jù)；隱藏層負(fù)責(zé)特征提取，通過激活函數(shù)對不同類型的數(shù)據(jù)進(jìn)行線性劃分；輸出層產(chǎn)生最終結(jié)果。根據(jù)信號傳播方向，將深層神經(jīng)網(wǎng)絡(luò)劃分為前饋神經(jīng)網(wǎng)絡(luò)［15］和反饋神經(jīng)網(wǎng)絡(luò)［16］，典型的前饋神經(jīng)網(wǎng)絡(luò)包含卷積神經(jīng)網(wǎng)絡(luò)和全連接前饋神經(jīng)網(wǎng)絡(luò)，反饋神經(jīng)網(wǎng)絡(luò)包含遞歸神經(jīng)網(wǎng)絡(luò)和長短期記憶模型。其中，卷積神經(jīng)網(wǎng)絡(luò)在病蟲害識別中應(yīng)用較廣。

卷積神經(jīng)網(wǎng)絡(luò)［17］是一類包含卷積運(yùn)算的深層神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層、激活函數(shù)和全連接層構(gòu)成。卷積層利用過濾器在前層圖像上選擇相應(yīng)的圖像區(qū)域完成卷積運(yùn)算，再按一定的步長做滑動(dòng)運(yùn)算，依次提取圖像的像素級特征。池化層用于降低特征向量維度，通過調(diào)整池化窗口的大小和平移步長進(jìn)一步優(yōu)化模型性能。激活函數(shù)將卷積結(jié)果進(jìn)行非線性函數(shù)變換，輸入端數(shù)據(jù)與輸出端數(shù)據(jù)構(gòu)成非線性映射關(guān)系，提升模型的非線性表達(dá)能力，常用的激活函數(shù)有ELU函數(shù)、ReLU函數(shù)、Sigmoid函數(shù)。全連接層緊隨單卷積層塊，是一種傳統(tǒng)的多層感知器，能將提取的多層圖像特征進(jìn)行高度融合，再通過回歸分類計(jì)算，得到最終輸出結(jié)果。

2.2 病蟲害識別的重點(diǎn)環(huán)節(jié)

深度學(xué)習(xí)模型識別農(nóng)作物病蟲害包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)、深度網(wǎng)絡(luò)框架選擇和模型優(yōu)化4個(gè)步驟［18］。

1）數(shù)據(jù)預(yù)處理是建立模型的第一步，高質(zhì)量、大規(guī)模、高標(biāo)注的數(shù)據(jù)集對訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)有較大的幫助，為了使公開數(shù)據(jù)集或自主拍攝獲得的圖像更適用于網(wǎng)絡(luò)計(jì)算，對輸入數(shù)據(jù)采取針對性的預(yù)處理，包括調(diào)整尺寸、圖像分割、歸一化、灰度化等。

2）數(shù)據(jù)增強(qiáng)是通過幾何變換、空間變化、顏色變換、隨機(jī)生成等方式創(chuàng)建同類數(shù)據(jù)的不同變體，不實(shí)質(zhì)性增加數(shù)據(jù)，能夠彌補(bǔ)數(shù)據(jù)集總量較小、結(jié)構(gòu)單一的問題，提升樣本數(shù)量和模型性能，減少過擬合風(fēng)險(xiǎn)。

3）深度網(wǎng)絡(luò)框架選擇關(guān)乎系統(tǒng)響應(yīng)速度和目標(biāo)識別準(zhǔn)確率，建立高性能模型的重點(diǎn)就是設(shè)計(jì)出恰當(dāng)?shù)奶卣魈崛∑?，它通常是由多個(gè)卷積層和池化層組成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，需要依據(jù)具體任務(wù)目標(biāo)和網(wǎng)絡(luò)模型特點(diǎn)設(shè)計(jì)合理的網(wǎng)絡(luò)深度和層次結(jié)構(gòu)。

4）為提升網(wǎng)絡(luò)模型的時(shí)間效率和空間效率，在深度學(xué)習(xí)中融合多種優(yōu)化策略是當(dāng)前的熱點(diǎn)研究方向。鄭麗麗［19］根據(jù)害蟲顏色、形態(tài)、灰度等屬性特征，使用決策樹進(jìn)行初步分類，再構(gòu)建TensorFlow深度學(xué)習(xí)模型分析原始病害圖像，通過Booting算法按照不同權(quán)重將2類識別器進(jìn)行線性組合，輸出最終結(jié)果。試驗(yàn)表明，融合模型在識別任務(wù)中比單一模型性能更好。魏超等［20］對6種深度網(wǎng)絡(luò)模型進(jìn)行初始化訓(xùn)練和遷移訓(xùn)練，采用的損失函數(shù)由交叉熵和正則化項(xiàng)組成。姚建斌等［21］在VGGNet16深度網(wǎng)絡(luò)框架下，采用漸變的學(xué)習(xí)率和遷移學(xué)習(xí)構(gòu)建小麥病蟲害精準(zhǔn)識別網(wǎng)絡(luò)模型，平均識別準(zhǔn)確率高達(dá)95%。

2.3 6類基礎(chǔ)網(wǎng)絡(luò)模型

1）LeNet-5模型。LeNet-5模型由Lecun等［22］于1998年提出，包含2層卷積層、2層池化層、2層全連接層、1層輸出層，每層網(wǎng)絡(luò)都包含可訓(xùn)練參數(shù)。該模型參數(shù)較少，輸入數(shù)據(jù)為32 px×32 px的灰度圖，卷積層負(fù)責(zé)圖像空間特征采集，池化方式為平均池化，全連接層中的每個(gè)節(jié)點(diǎn)均與輸入層的各節(jié)點(diǎn)相連接。何前等［23］基于LeNet-5框架構(gòu)建玉米病害分類模型，對輸入圖像進(jìn)行隨機(jī)旋轉(zhuǎn)、圖像增強(qiáng)和尺寸裁剪等預(yù)處理操作后，增加了3層卷積層和池化層，并且在卷積層和全連接層中添加Dropout層防止過擬合，可同時(shí)識別玉米大斑病、銹病、葉斑病及正常玉米圖像。張善文等［24］在LeNet-5網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，設(shè)計(jì)出包含11個(gè)隱層的卷積神經(jīng)網(wǎng)絡(luò)模型，直接從歸一化后的數(shù)據(jù)中提取高層次抽象特征，采用Softmax分類器對黃瓜彩色病害葉片圖像進(jìn)行分類，在1 200幅黃瓜病害葉片圖像中，6類病害的檢出率達(dá)90.32%。Liang等［25］基于Lenet5框架構(gòu)建出一種深層卷積神經(jīng)網(wǎng)絡(luò)模型，包含4個(gè)卷積層、4個(gè)最大池化層和3個(gè)完全連接層，激活函數(shù)采用ReLU函數(shù)，該模型可有效提取水稻稻瘟病病害特征，具有良好的抗干擾性和魯棒性。

2）AlexNet模型。AlexNet模型由Krizhevsky等［26］提出，是由LeNet-5模型改進(jìn)得來，由5個(gè)卷積層、3個(gè)聚合層和3個(gè)全連接層組成，采用最大池化方法和分段線性ReLU激活函數(shù)，能有效減少冪函數(shù)運(yùn)算，改善梯度彌散問題。Brahim等［27］基于AlexNet網(wǎng)絡(luò)框架建立番茄病害識別模型，自動(dòng)提取原始圖像特征，再利用視覺方法分析病害特征，可快速定位葉片中的病害區(qū)域，識別準(zhǔn)確率為99.18%。楊國國等［28］先使用顯著性區(qū)域檢測方法定位茶園害蟲目標(biāo)，再構(gòu)建卷積網(wǎng)絡(luò)模型，期間不斷調(diào)整AlexNet網(wǎng)絡(luò)的卷積步幅，并對全連接層部分神經(jīng)元進(jìn)行隨機(jī)抑制，試驗(yàn)證明優(yōu)化后的網(wǎng)絡(luò)模型平均識別準(zhǔn)確率大幅提升。劉婷婷等［29］構(gòu)建AlexNet深度網(wǎng)絡(luò)模型來識別水稻紋枯病，使用隨機(jī)失活正則化方法將中間層的部分神經(jīng)元置零，有效降低了全連接層的過擬合，對自然光線下拍攝的水稻圖片進(jìn)行識別分類，紋枯病的檢出率達(dá)97%。

3）VGG模型。VGG模型由Simonyan等［30］提出，由5個(gè)卷積層、3個(gè)全連接層、1個(gè)輸出層組成，通過反復(fù)疊加3 px×3 px的小卷積核與2 px×2 px的最大池化層最終形成深層網(wǎng)絡(luò)，這種設(shè)計(jì)能夠極大地減少網(wǎng)絡(luò)參數(shù)，加快收斂速度，增強(qiáng)非線性映射功能。VGG模型包括VGG-11、VGG-13、VGG-16和VGG-19，因其結(jié)構(gòu)簡單、應(yīng)用性強(qiáng)而深受關(guān)注。鮑文霞等［31］通過遷移學(xué)習(xí)優(yōu)化VGG-16網(wǎng)絡(luò)結(jié)構(gòu)，采用選擇性核卷積模塊和全局平均池化方式代替原本的全連接層，有效避免了過擬合，提高了多尺度特征提取效率和收斂速度，對蘋果葉片表面微小病斑識別準(zhǔn)確率達(dá)94.7%。周云成等［32］在VGG框架的基礎(chǔ)上構(gòu)建10種番茄器官分類網(wǎng)絡(luò)模型，將128 px×128 px和64 px×64 px規(guī)格的RGB圖像作為輸入，訓(xùn)練方式采用小批量隨機(jī)梯度下降法，構(gòu)建TDNet檢測器，分析候選區(qū)域內(nèi)的圖像特征，試驗(yàn)表明該模型在復(fù)雜環(huán)境背景下能有效識別番茄的果、花和莖等部位。

4）ResNet模型。2014年He等［33］提出了ResNet模型，通過短路機(jī)制引入殘差結(jié)構(gòu)，將輸入數(shù)據(jù)跳過中間層直接輸給輸出層，以此保留淺層特征信息，從而簡化學(xué)習(xí)目標(biāo)和難度，避免特征丟失、信息損耗。計(jì)雪偉等［34］基于殘差網(wǎng)絡(luò)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)識別農(nóng)作物病蟲害，通過改進(jìn)后的ResNet模塊優(yōu)化網(wǎng)絡(luò)性能，結(jié)果表明在公開數(shù)據(jù)集PlantVillage上的識別準(zhǔn)確率為98.8%。王春山等［35］在ResNet18主體架構(gòu)的基礎(chǔ)上構(gòu)建改進(jìn)型多尺度殘差輕量級病害識別模型，利用多尺度特征提取模塊改變殘差層連接方式，將7 px×7 px大卷積核替換為7 px×1 px卷積核和1 px×7 px卷積核，再進(jìn)行群卷積操作，有效縮減模型總體尺寸和計(jì)算量，對包含15種病害的19 517張圖片進(jìn)行識別分類，檢出率為95.95%。Marriam等［36］構(gòu)建了一種穩(wěn)健的深度學(xué)習(xí)模型來識別番茄葉病，將ResNet-34作為特征提取器，在噪聲、模糊、顏色、大小和光照變化的情況下，仍然能對葉片病害區(qū)域進(jìn)行快速檢測，其分類準(zhǔn)確率高達(dá)99.97%，測試時(shí)間縮短至0.23 s。

5）GoogleNet模型。GoogleNet模型［37］是2014年ImageNet挑戰(zhàn)賽的冠軍模型，主要由Inception模塊構(gòu)成，采用1 px×1 px卷積核，極大地縮減了網(wǎng)絡(luò)參數(shù)，使訓(xùn)練過程快速達(dá)到收斂狀態(tài)，并且在避免梯度消失問題上表現(xiàn)良好。Mohanty等［38］對PlantVillage公開數(shù)據(jù)集中14種農(nóng)作物的26種病蟲害進(jìn)行識別，結(jié)果表明GoogleNet模型具有良好的病蟲害識別精度。Zhang等［39］在GoogleNet架構(gòu)基礎(chǔ)上，采取卷積組合的方式構(gòu)建卷積層，為提高模型的識別效率，在訓(xùn)練過程中不斷修正線性單位函數(shù)，該方法將8種玉米葉片病害平均檢出率提高到98.9%。Ashraful等［40］使用基線訓(xùn)練法對3種基于Inception-v3網(wǎng)絡(luò)框架的模型（Inception-v3_flatten-fc模型、Inception-v3_GAP模型、Inception-v3_GAP_fc模型）進(jìn)行了訓(xùn)練，隨著訓(xùn)練數(shù)據(jù)集增加，這3類深度模型均提高了玉米葉病害的識別率。

6）MobileNet模型。MobileNet模型［41］是一種輕量級神經(jīng)網(wǎng)絡(luò)，利用深度可分離卷積結(jié)構(gòu)將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點(diǎn)卷積，輸入特征矩陣的各通道匹配獨(dú)立的卷積核完成卷積操作，逐點(diǎn)卷積用于創(chuàng)建深度層輸出的線性組合，這種方式能極大地減少模型參數(shù)和運(yùn)算量，適用于移動(dòng)端和嵌入式設(shè)備［42］。王哲豪等［43］在MobileNet V2框架的基礎(chǔ)上，通過遷移學(xué)習(xí)構(gòu)建番茄病害識別模型，相比VGG-16和ResNet50模型，MobileNet V2模型對番茄病害識別準(zhǔn)確率更高、訓(xùn)練時(shí)間更短、占用存儲空間更小，可搭載移動(dòng)設(shè)備進(jìn)行實(shí)時(shí)識別。孫俊等［44］將坐標(biāo)注意力機(jī)制用于MobileNet V2模型的倒殘差結(jié)構(gòu)中，選取多種跨尺度特征融合方案分析目標(biāo)信息，通過分組卷積操作提升農(nóng)作物葉片病害分類效果。

3 小結(jié)與展望

科學(xué)高效的識別技術(shù)為農(nóng)作物病蟲害檢測和防治提供依據(jù)，是農(nóng)情信息檢測預(yù)警的重要手段，本研究綜述了基于深度學(xué)習(xí)的農(nóng)作物病蟲害識別技術(shù)，分析了該方法的網(wǎng)絡(luò)結(jié)構(gòu)、重點(diǎn)建模環(huán)節(jié)及6類典型架構(gòu)特征。

1）構(gòu)建大型農(nóng)作物病蟲害公共數(shù)據(jù)集。目前國內(nèi)相關(guān)的公共數(shù)據(jù)集較少，大部分研究都采用網(wǎng)絡(luò)收集、自行拍攝、數(shù)據(jù)增強(qiáng)等方法增加樣本容量。而深度學(xué)習(xí)模型依靠數(shù)據(jù)驅(qū)動(dòng)，只有高質(zhì)量的數(shù)據(jù)才能夠幫助深層次網(wǎng)絡(luò)訓(xùn)練出高性能模型。因此，需要搭建大型作物生長周期數(shù)據(jù)庫和作物常見的病蟲害分類數(shù)據(jù)庫。

2）綜合多種成像技術(shù)獲取農(nóng)作物信息。對于農(nóng)作物而言，異常的生理性狀態(tài)是由內(nèi)而外逐步發(fā)生的，一旦表層出現(xiàn)異樣，說明在作物內(nèi)部早已發(fā)生一定程度的損傷和病變。為提早判斷農(nóng)作物的健康狀態(tài)，彌補(bǔ)作物表層圖像的滯后性、片面性缺點(diǎn)，結(jié)合可見光成像、紅外成像、高光譜成像等技術(shù)，通過多途徑獲取農(nóng)作物內(nèi)部、外部生長信息來提升病蟲害識別效能。

3）全面提升深度學(xué)習(xí)模型性能。一方面，要繼續(xù)完善理論研究，為改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、降低算法復(fù)雜度和提高模型性能等提供依據(jù)，融合多模態(tài)處理技術(shù)和優(yōu)化策略，突破深度學(xué)習(xí)模型在數(shù)據(jù)、算力和不可解釋性等方面的瓶頸，提升魯棒性、準(zhǔn)確性和計(jì)算速度。另一方面，要注重科研成果的應(yīng)用與推廣，借助移動(dòng)應(yīng)用端、嵌入式設(shè)備實(shí)現(xiàn)復(fù)雜環(huán)境背景下的農(nóng)作物病蟲害檢測識別與多元化綜合治理，對于中國高標(biāo)準(zhǔn)農(nóng)田建設(shè)具有重要意義。

參考文獻(xiàn)：

［1］ 趙彥茜，肖登攀，唐建昭，等.氣候變化對我國主要糧食作物產(chǎn)量的影響及適應(yīng)措施［J］.水土保持研究，2019，26（6）：317-326.

［2］ 劉 杰，曾 娟，楊清坡，等.2023年農(nóng)作物重大病蟲害發(fā)生趨勢預(yù)報(bào)［J］.中國植保導(dǎo)刊，2023，43（1）：32-35.

［3］ 翟肇裕，曹益飛，徐煥良，等.農(nóng)作物病蟲害識別關(guān)鍵技術(shù)研究綜述［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（7）：1-18.

［4］ SUYKENS J， VANDEWALLE J. Least squares support vector machine classifiers［J］. Neural processing letters，1999，9（3）：293-300.

［5］ CORTES C， VAPNIK V. Support-vector networks［J］. Machine learning， 1995， 20（3）： 273-297.

［6］ SARO J，KAVIT A. Review：Study on simple K-mean and modified K-mean clustering technique［J］.International journal of computer science engineering and technology，2016，6（7）：279-281.

［7］ PEARSON K. On lines and planes of closest fit to systems of points in space［J］. Philosophical magazine，1901，2（11），559-572.

［8］ 鄭建華，朱立學(xué)，朱 蓉.基于多特征融合與支持向量機(jī)的葡萄病害識別［J］.現(xiàn)代農(nóng)業(yè)裝備，2018（6）：54-60.

［9］ 雷 雨，韓德俊，曾慶東，等.基于高光譜成像技術(shù)的小麥條銹病病害程度分級方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（5）：226-232.

［10］ 喬 雪，潘 新，王欣宇，等.基于G-R分量與K-means的馬鈴薯病蟲害圖像分割［J］.內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（3）：84-87.

［11］ 何懷文，蔡顯華，楊毅紅.基于深度學(xué)習(xí)的園林植物病蟲害智能識別系統(tǒng)［J］.現(xiàn)代計(jì)算機(jī)，2022，28（15）：112-116.

［12］ 高雨亮.基于深度學(xué)習(xí)的水稻病蟲害識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［D］.江蘇揚(yáng)州：揚(yáng)州大學(xué)，2022.

［13］ 趙 越，趙 輝，姜永成，等.基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測方法［J］.中國農(nóng)機(jī)化學(xué)報(bào)，2022，43（10）：183-189.

［14］ SCHMIDHUBER J.Deep learning in neural networks：An overview ［J］. Neural networks，2014，61：85-117.

［15］ LESHNO M， LIN V Y，PINKUS A，et al. Multilayer feedforward networks with a nonpolynomial activation function can approximate any function ［J］.Neural networks，1993，6（6）：861-867.

［16］ DU X，VASUDEVAN R， JOHNSON-ROBERSON M. Bio-LSTM： A biomechanically inspired recurrent neural network for 3-D pedestrian pose and gait prediction［J］.IEEE robotics and automation letters， 2019， 4（2）：1501-1508.

［17］ TETILA E C， MACHADO B B， MENEZES G K， et al. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks［J］. IEEE geoscience and remote sensing letters， 2019， 17（5）：903-907.

［18］ 李子涵，周省邦，趙 戈，等.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識別研究綜述［J］.江蘇農(nóng)業(yè)科學(xué)，2023，51（7）：15-23.

［19］ 鄭麗麗.基于決策樹與卷積神經(jīng)網(wǎng)絡(luò)的害蟲識別算法［J］.洛陽師范學(xué)院學(xué)報(bào)，2020，39（5）：32-35.

［20］ 魏 超，范自柱，張 泓，等.基于深度學(xué)習(xí)的農(nóng)作物病害檢測［J］.江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，40（2）：190-196.

［21］ 姚建斌，張英娜，劉建華.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的小麥病蟲害識別［J］.華北水利水電大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，43（2）：102-108.

［22］ LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）：2278-2324.

［23］ 何 前，郭峰林，方皓正，等.基于改進(jìn)LeNet-5模型的玉米病害識別［J］.江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：35-41.

［24］ 張善文，謝澤奇，張晴晴.卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識別中的應(yīng)用［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2018，34（1）：56-61.

［25］ LIANG W J， ZHANG H， ZHANG G F，et al. Rice blast disease recognition using a deep convolutional neural network［J］. Scientific reports，2019，9（2）：217-223.

［26］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks［EB/OL］.https：//blog.csdn.net/weixin_36670529/article/details/99976379，2022-09-12.

［27］ BRAHIM I， BOUKHAL F A， MOUSSAOU I. Deep learning for tomato diseases： Classification and symptoms visualization［J］. Applied artificial intelligence， 2017， 31（4）： 299-315.

［28］ 楊國國，鮑一丹，劉子毅.基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶園害蟲定位與識別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（6）：156-162.

［29］ 劉婷婷，王 婷，胡 林.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識別［J］.中國水稻科學(xué)，2019，33（1）：90-94.

［30］ SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large-scale image recognition［EB/OL］.https：//blog.csdn.net/weixin_36670529/article/details/102961210，2022-06-16.

［31］ 鮑文霞，吳 剛，胡根生，等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害識別［J］.安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（1）：53-59.

［32］ 周云成，許童羽，鄭 偉，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的番茄主要器官分類識別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2017，33（15）：219-226.

［33］ HE K M， ZHANG X Y， REN S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］.IEEE transactions on pattern analysis and machine intelligence， 2014，37（9）：1904-1916.

［34］ 計(jì)雪偉，霍興贏，薛 端，等.基于深度學(xué)習(xí)的農(nóng)作物病蟲害識別方法［J］.南方農(nóng)機(jī)，2020，51（23）：182-183.

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

［36］ MARRIAM N， TAHIRA N， ALI J， et al. A robust deep learning approach for tomato plant leaf disease localization and classification［J］. Scientific reports，2022，12（1）：1-18.

［37］ CAO F K，BAI T，XU X L.Vehicle detection and classification based on highway monitoring video［J］.Computer systems & applications，2020，29（10）：267-273.

［38］ MOHANTY S P， HUGHES D P， SALATHE M. Using deep learning for image-based plant disease detection［J］. Frontiers in plant science，2016，7：1419-1437.

［39］ ZHANG X H， QIAO Y， MENG F F， et al. Identification of maize leaf diseases using improved deep convolutional neural networks［J］. IEEE sccess，2018，6：30370-30377.

［40］ ASHRAFUL H， SUDEEP M， CHANDAN K D， et al. Deep learning-based approach for identification of diseases of maize crop［J］. Scientific reports，2022，12：10140.

［41］ HOWARD A G，ZHU M，CHEN B，et al. MobileNets：Efficient convolutional neural networks for mobile vision applications［J/OL］.https：//blog.csdn.net/qq_41200212/article/details/129598358，2023-04-11.

［42］ SANDLER M， HOWARD A， ZHU M， et al. MobileNet V2： Inverted residuals and linear bottlenecks［EB/OL］.https：//blog.csdn.net/qq_40243750/article/details/126651115，2022-09-01.

［43］ 王哲豪，范麗麗，何 前.基于MobileNet V2和遷移學(xué)習(xí)的番茄病害識別［J］.江蘇農(nóng)業(yè)科學(xué)，2023，51（9）：215-221.

［44］ 孫 俊，朱偉棟，羅元秋，等.基于改進(jìn) MobileNet-V2 的田間農(nóng)作物葉片病害識別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（22）：161-169.