陈雷，袁媛

中国科学院合肥智能机械研究所，安徽 合肥 230031

引言

农业病虫害是影响农业产量和粮食安全的重要因素之一[1-2]。根据联合国粮食及农业组织的报告，每年超过三分之一的自然损失是由农业病虫害引起的[3]。农业病虫害种类繁多，传统人工观察和经验判断容易误诊；同时由于专业农技人员不足，在生产实际中往往难以对病虫害进行及时的识别或预警。随着机器学习方法与计算机视觉技术的发展，研究人员开始利用信息技术来识别农业病虫害图像。作为智能农业重要的组成部分，农业病虫害图像识别技术综合利用机器学习方法、计算机视觉技术、植物病理学知识等手段来分析处理病虫害图像数据，建立学习模型获取图像特征，快速、准确地识别出病虫害种类，据此为农业病虫害防治提供技术指导。

自20世纪80年代以来，机器学习方法不断发展，从传统的浅层机器学习，如分类器法、判别式法、聚类法等[4-8]，到2006年Hinton 等人提出的深度学习方法[9]，都已广泛用于农业病虫害图像识别方面的研究，并且取得了一定的成果[10-15]。然而农业病虫害发生环境非常复杂，当这些方法应用于实际的农业病虫害图像识别时存在一定的局限性，容易受到数据规模、样本质量、硬件算力、模型能力等因素的影响，从而导致识别效果难以满足需求。尤其是相对于虫害来说，农业病害发生的影响因素更为复杂，且在不同农作物品种上的症状也存在差异等特点，导致这些局限性更为突出。……