刘帅君，寇旭鹏，何 颖，莫雪峰

（云南农业大学大数据学院/云南省信息技术发展中心，昆明 650000）

农业作为中国的重要产业，农作物的产量和质量影响着人民的日常生活。加大农业发展，实现精细化，提高农业智能化、科学化，是农业管理的必经之路，也是中国从传统农业大国走向现代化农业大国的选择。农作物在生长过程中，仍然避免不了病害的威胁，这也是影响农作物收成的原因。为此，实现对农作物病理的快速分类和初步诊断，并针对病理及时做出有效的处理，对农作物增收具有重大意义［1-3］。

在最初的农作物生产管理过程中，只能靠相关领域的专家来到田间进行检查，才能做出判断，查清病理原因，不仅耗费大量的人力和物力，而且需要具有相关领域知识的农业从业者对农作物进行监控。随着计算机图像识别技术的飞速发展，传统机器学习方法在病理识别上表现出较大的优势，以提取病理图像的色泽、光谱、外形等特征为技术特点，例如随机森林（Random forest，RF）、支持向量机（Support vector machine，SVM）算法等［4-7］。虽然传统机器学习方法准确率较高，但也存在一些技术难点，如需要人为手工设计特征，过程较复杂。

随着计算能力提升、大数据时代的到来，使得深度学习算法在非结构化数据上具有较大的应用空间［8，9］。卷积神经网络（Convolution neural network）的快速发展进一步为深度学习在图像识别领域的应用提速。2012 年Alexnet 取得了Imagenet 图像分类竞赛的冠军，是深度学习崛起的标志［10，11］。随后几年 GoogleNet［12］、VGGNet［13］、ResNet［14］等算法提升了图像分类的精度，并在多个领域成功应用。……