钟昌源，胡泽林，李 淼，李华龙，杨选将，刘 飞

（1. 中国科学院合肥物质科学研究院智能机械研究所，合肥 230031；2. 中国科学技术大学研究生院科学岛分院，合肥 230026；3. 浙江大学华南工业技术研究院，广州 510700；4. 浙江大学生物系统工程与食品科学学院 杭州 310058）

0 引 言

农业是中国经济建设与发展的支柱，随着科技的发展和数字农业技术的推进，农业获得广泛的发展，但是仍然有许多因素制约着农业的进一步发展。其中，农作物病害严重制约农业的发展。传统农作物病害主要是通过农业专家进行诊断，效率低，治理慢，成本高，准确度随个人主观意愿波动，严重限制现代农业的发展。所以，现代农业亟需高效、准确和智能的农作物病害识别技术。

图像处理技术作为农作物病害识别的方法之一，其首先对农作物图片进行预处理和病斑区域分割，然后提取特征参数训练传统分类器识别农作物病害种类。传统分类器有贝叶斯判别模型[1]和支持向量机（Support Vector Machine，SVM）[2]，具有较好的分类效果。柴阿丽等[3]使用贝叶斯判别模型对番茄叶病害进行识别，准确率达到94.7%。Camargo等[4]通过使用支持向量机提取棉花病害的不同特征对3种棉花病害进行识别，准确率达到90%。但是传统图像处理方法受限于数据集样本少，特征参数提取复杂，鲁棒性弱，泛化能力差，难以扩展到不同的农作物且无法应用于自然环境下的农作物病害检测，导致无法广泛推广应用。

随着深度学习（Deep Learning，DL）的发展和应用，特别是卷积神经网络（Convolutional Neural Networks，CNN）的出现，农业领域逐渐成为研究热点。……