樊湘鹏 周建平,2 许 燕,2 彭 炫

(1.新疆大学机械工程学院，乌鲁木齐 830047; 2.新疆维吾尔自治区农牧机器人及智能装备工程研究中心，乌鲁木齐 830047；3.新疆大学工程训练中心，乌鲁木齐 830047)

0 引言

农业病虫害胁迫对作物生长造成不可逆转的影响[1]，每年因病虫害导致的粮食损失接近粮食总产量的1/3，对粮食安全造成严重威胁。采取预防措施并不能彻底消除病虫害，只有及时喷洒农药才能控制病害的蔓延，并降低损失。在不影响病害防控效果的前提下，精准喷施农药可节约近60%的药量[2]，并可解决因农药残留而导致的环境生态恶化和作物品质降低的问题。精准识别作物病害类型、判定危害程度是选择农药的关键，对赢得植保作业时机和精准施治至关重要[3]，已成为大田生产管控智能化的重要目标[4]。近年来，机器视觉结合图像处理技术通过在复杂背景中分割目标区域、提取单个或多个组合特征来识别病害，解决了人工识别易误判、依赖专家经验、耗费人力和物力的问题[5-9]。但手工提取特征过程繁琐、耗时，且最终的识别精度有限，因此在实际应用中严重受限[10]。

自从HINTON等[11]提出深度学习(Deep learning，DL)概念后，针对深度学习的研究和应用层出不穷。DL已成为解决不同领域、不同场景、不同尺度目标检测问题的主流算法，并取得了较优的成果[12]。DL对特征的提取与传统方法有着本质的不同，它依靠不同的功能对数据特征进行转换和表示，能适应密集型图像计算任务。将DL引入农业信息感知领域，可大大降低工作量、提高效率[13-14]，为作物表型病害识别拓展全新的研究视角[15]。……