吴云志，刘翱宇，朱小宁，刘晨曦，范国华，乐 毅，张友华*

一种植物病害图像识别卷积网络架构

吴云志1,2，刘翱宇1，朱小宁3，刘晨曦4，范国华1,2，乐 毅1,2，张友华1,2*

(1. 安徽农业大学信息与计算机学院，合肥 230036；2. 安徽省北斗精准农业信息工程实验室，合肥 230036； 3. 安徽农业大学茶与食品科技学院，合肥 230036；4. 湖南大学信息科学与工程学院，长沙 410082)

针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题，提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet，旨在对多种类的植物病害图像达到高精准的识别准确率。引入Focal损失函数对DenseNet网络进行改进，使得训练模型的注意力集中于难分类的样本。FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题。采用的数据集有87 867张植物病害图像，图像包含同种植物的多种病害，并涉及38种植物病害。对图像进行预处理、数据增强后，将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验。实验结果表明，FI-DenseNet网络的收敛速度更快且识别准确率最高，测试集识别准确率为98.97%，FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络，可为植物病害智能诊断提供参考。

DenseNet；植物病害；卷积神经网络；图像识别

植物病害对当今农林业是一个巨大挑战，它时刻影响着人类的经济效益。精准且快速的诊断植物病害可以及时减少植物病害对经济带来的损失[1]。然而如今植物病害种类繁多，不同生长阶段的植物存在不同种类的植物病害，这导致非专业人士对于植物病害的分辨往往不够精确、快速[2]。……