杨长磊 李彩林 王佳文 孙延坤 苏本娅

(山东理工大学建筑工程学院，山东 淄博 255000)

引言

农作物病害是农业领域面临的主要挑战之一，每年的农作物病害加剧了粮食供应的短缺[1,2]。因此，快速有效地检测农作物病虫害是采取相关防治措施及时止损的第1步。农作物病害的鉴别方式与途径有多种，以前多依靠农业专家或当地植物保护部门。

随着人工智能和计算机视觉的飞速发展，研究者选择计算机视觉技术[3]作为开发自动检测农作物病虫害的基础。在2017年，Carranza等人[4]在农业领域首次使用深度学习技术，特别是在植物病害识别领域[5]。Kawasaki等人[6]提出了一种基于卷积神经网络的黄瓜叶部病害识别系统，在瓜黄斑病毒、西葫芦黄花叶病毒和非病害类之间的鉴别准确率达到94.9%。Sanyal等人[7]利用水稻叶片图像的颜色纹理特征识别水稻褐斑病和稻瘟病。

通过对以上研究方法的总结，本文提出一种基于MobileNet网络[8]改进而来的M25Net算法，并结合深度迁移学习[9]开发农作物病害种类的识别，以实现农作物病害的实时、全自动检测。

1 试验数据

1.1 数据集描述

本试验采用由Plant Village网站提供的农作物病害公开数据集，共包含55448张标注图像。整个数据集共有14个物种、25种病害和1类背景图像。按照农作物病害类型划分，共有38类，以叶片为例，如图1所示。

1.2 图像预处理

为了使模型具有更强的泛化能力，本文采用数据增强技术[10]，对现有图像进行随机旋转、水平和垂直镜面翻转等操作。同时，本文中所有的图像样本统一为224×224像素。……