王美华 吴振鑫 周祖光

(1.华南农业大学数学与信息学院， 广州 510642； 2.暨南大学信息科学技术学院， 广州 510632)

0 引言

农作物病虫害是一种严重的自然灾害，需要对其进行及时预测和监控，以保证农作物的产量[1]。病虫害的发生与种植制度、作物布局和气候趋势等因素息息相关，而普通农户的小规模种植使病虫害预测难度较大[2-3]。

传统的机器学习方法一般经过病斑提取、边缘特征提取后进行分类[4]。魏超等[5]将农作物病斑分割分为背景移除和病斑分割两个阶段，并由此进一步提出了一种病斑袋模型，以提取出更高层抽象的特征。然而，这种传统机器学习方法对图像的预处理步骤较为复杂，并且只能应用于个别植物的少量病虫害检测，可迁移性差。随着深度学习技术的发展，病虫害图像数据日益充足，成功解决了传统机器学习需要显式提取病虫害特征和可迁移性差的问题。利用深度学习技术泛化性强的特点，能够同时对种类繁多的病虫害进行识别检测，大大提高了防治效果。国内外已有许多研究利用卷积神经网络对农作物病虫害进行识别[6-8]。通常来说，数据质量的优劣往往决定了模型质量的优劣，一个大而全的数据集(例如ImageNet)往往能够训练出效果较好的模型。然而，在病虫害识别领域常常面临数据量不足的问题，迁移学习技术[9]能够利用已经标注好的数据提升模型精度，从而解决数据量不足的问题。许多研究表明，采用迁移学习并对卷积神经网络模型的所有层进行精调，能够最大程度提升原模型的基础识别率[10-12]。……