黄建平，陈镜旭，李克新，李君禹，刘 航

（东北林业大学机电工程学院，哈尔滨 150040）

0 引 言

目前全球粮食产量的增长速度远低于人口增长速度，粮食产量和安全对保障人民生活水平和国民经济发展具有重要的意义[1-2]。植物病虫害是影响农林业生产、生态安全和农林作物产量的生物灾害[3]，及时准确掌握植物病虫害的类型、严重程度及病害发展状况，能够有效减少病害对农林业生产造成的经济损失，同时减少滥用农药造成的环境污染，为科学制定病害防治策略提供依据[4]。传统的植物病害监测方法主要依赖于专家通过可见特征来进行评估[5]，这不仅需要专家具有丰富的经验，同时评估过程较为繁琐、耗时，具有一定的主观性[6]，难以满足实际生产中大面积、快速病虫害监测的应用需求。早期基于计算机视觉识别植物病害的方法首先需要提取植物特定特征，再使用传统分类方法识别病害。然而提取特征的过程复杂，且特征提取器的选择及设计对病害的识别结果有较大的影响[7-9]。近年来，迅速发展的深度学习是机器学习的一个分支，被广泛应用于多个领域，如图像分类、目标检测、视觉跟踪等[10-11]，并取得了很好的效果。基于深度学习的植物叶片病害图像分析方法具有精度高、速度快等优点，为植物病害准确快速检测提供了有效的技术手段。Srdjan 等[12]将深度卷积神经网络用于植物病害识别，该方法能够区分植物叶片与其周围环境，并能够区分健康叶片与13 种不同的植物病害，模型识别的平均准确率达 96.3%。……