吴 蔚

（泰山学院 信息科学技术学院，山东 泰安 271000）

苹果是世界上重要的水果作物之一，具有重要的经济和营养价值。苹果叶部的外观和生长状态可以为苹果生长态势提供预判依据。然而苹果叶部时常遭受病虫害侵袭，及时识别叶病种类并采取针对性措施进行叶病防治，对于保证苹果增量增产具有十分重要的经济价值和现实意义。从20世纪80年代开始，计算机视觉技术在农作物病害识别领域得到了广泛的研究和发展。近十几年来，随着大数据技术和硬件设备的不断提升，深度学习技术在视觉识别领域取得了瞩目的成就，并被迅速应用到植物叶病识别领域。比如Liu等[1]使用基于GoogLeNet和AlexNet的深度网络模型进行苹果叶病诊断，达到了97.62%的识别准确率。宋晨勇[2]等以苹果作为研究对象，提出了一种基于深度学习的GoogLeNet改进模型，在提高苹果病害识别准确率的同时，也降低了模型训练收敛时间，实现了苹果病害的实时检测。

深度学习方法通过构建深度神经网络进行模型训练，伴随着大量的调参任务。为了提高神经网络模型的泛化能力，避免模型训练过程的过拟合，需要输入大量带标签的数据样本进行学习。然而在实际应用中，数据样本的获取可能存在环境的变化，比如苹果叶部图像可能在不同的光照、不同的拍摄设备以及不同的拍摄角度下获取。环境的变化往往导致获取的图像有着不同的数据分布。对某种数据分布的样本识别效果良好的网络模型，用于其他数据分布的数据识别时准确率可能会严重降低。……