李庆盛， 缪 楠， 张 鑫， 于雪莹， 王首程， 高继勇， 王志强

(山东理工大学计算机科学与技术学院， 淄博 255000)

玉米是中国一种重要的粮食作物，其整个生长周期会受到多种病害的侵袭，严重影响其产量。因此，快速准确地识别玉米病害种类并及时防治对于提高玉米产量至关重要。传统基于图像处理的植物病害识别，目前大多通过SVM[1-3]、BPNN[4]等机器学习方法来实现，但传统机器学习方法需要人工提取图片特征，并且通常基于小样本浅层机器学习模型，信息处理能力不足，对复杂非线性关系的表达力有限，泛化能力较差，无法满足植物病害图片快速、准确识别的需要。

随着深度学习的发展，卷积神经网络(convolutional neural network, CNN) 通过引入局部连接、池化等操作，使得模型可以自动提取数据特征，实现端到端的图像识别。目前，CNN已应用于玉米、黄瓜等作物的病害识别[5-8]，但CNN模型随着网络深度的增加会出现梯度消失或梯度爆炸等现象从而导致网络退化，模型准确率降低。因此如何在增加网络深度的同时保证深度模型准确率，成为学者们研究的重点。He等[9]提出深度残差网络(deep residual network，DRN)，通过shortcut(捷径链接)将多个浅层网络连接形成深层网络，这样可以增加网络深度，避免网络退化，提高模型的准确率。残差网络提出以来，由于其优异的性能，目前已成为图像识别领域的研究热点。近几年，研究者相继提出多种方法来提高残差网络的性能。杨剑等[10]提出利用金字塔池化改进残差网络进行图像识别，将单层池化改为多层池化，单层特征提取变为多层特征融合，精度提高的同时增加了模型参数量。……