刘 阳，高国琴

（1. 江苏大学电气信息工程学院，镇江 212013；2. 南通职业大学电子信息学院，南通 226007）

0 引言

准确识别作物病害类别是作物病害防治的前提，而作物叶片病斑及其相关特征是判断作物病害种类及其病害程度的重要依据[1-2]。传统作物病害检测主要依靠人工现场观察判断，存在主观性强、工作强度大等不足，难以满足大范围作物病害实时监测系统的需求[3]。

利用现代信息技术对作物病害种类进行诊断和识别是一种先进有效的手段。在作物病害识别研究方面，国内外已有诸多报道，较多涉及马铃薯[4]、黄瓜[5-7]、西红柿[8]、茄子[9]等单一作物的病害识别。这些传统机器学习方法一般包含了图像分割，特征提取和模式识别三个环节，但其性能的优劣非常依赖于对病斑特征的提取。如果不能准确地提取病斑底层特征并选择对分类贡献率较高的特征来进行分类，则分类性能会明显下降。传统机器学习方法的另一个缺点是针对某种具体作物病害识别任务生成的特征不仅费时费力，而且泛化性能较差。与之相比法，深度学习是一种端到端的方法，它以原始数据为输入，以最终的任务为输出，经过层层抽取将原始数据逐层抽象为任务自身所需要的特征，避免了人为特征选取对分类性能的影响，也同时大幅增强了系统的鲁棒性。

近年来随着深度学习技术的兴起，卷积神经网络（Convolutional Neural Network，CNN）在作物叶片病害识别相关领域已获得广泛应用。黄建平等[10]以PlantVillage公开数据集为试验数据，设计了一种新颖的基于神经结构自动学习并搜索的叶片病害识别方法；……