李艳红　樊同科

摘要：为了实现复杂农田背景下的病虫害识别，提出了一种基于深度残差学习的多特征多粒度农业病虫害识别方法。结果表明，与传统SVM和BP神经网络相比，该算法在复杂农田背景下的病虫害图像识别精度明显提高。在复杂农田背景下10种作物病虫害图像的分类问题上取得了98.67%的精度。该算法具有很高的实际应用价值，可以与当前使用的农业联网系统集成到实际的农业病虫害防治中。

关键词：深度残差;多特征多粒度;农业病虫害;识别

中图分类号：TP391.4; S435 文献标识码：A

文章编号：0439-8114（2020） 16-0153-05

DOI： 10.14088/j.cnki.issn0439-8114.2020.16.035

农业病虫害对农作物的生长和农产品的储藏构成了严重威胁。单纯依靠低速、低效的人工识别无法满足实际需要，并且会造成较高的人工成本。近年来，农业信息化发展迅速，通过高清相机可以更方便地在农田中获取农业病虫害图像。基于计算机视觉的图像识别技术能够有效降低识别成本，识别速度和效率都有明显提高。与样本照片相比，从农田获得的实际图像往往具有较高的背景噪声。若不进行特征预处理，传统的机器学习分类方法如SVM和BP神经网络不能达到令人满意的准确率。农田环境复杂，很难选择出适合所有病虫害的一般特征。近两年来，深度学习技术发展迅速，深卷积神经网络（Convolutional neural networks，CNN）已应用于图像识别领域，如街景识别、车辆检测、人体运动识别、音视频识别，均取得了很好的效果1-3]。CNN具有自动提取图像特征的能力，因此可作为一般特征提取工具应用于农田环境中的农业病虫害识别。……