宋晨勇，白皓然，孙伟浩，马皓冉

(青岛农业大学机电工程学院，山东青岛，266109)

0 引言

2018年，苹果的全球贸易量达到了5 000 kt，年人均消费量8.2 kg，是消费量最大的水果之一[1]。近年来，由于病原体的变种以及苹果保护措施的不足，苹果病害的种类数量逐渐增加。而传统的基于知识库的专家系统在处理复杂多变的自然数据过程中有着局限性，随着农业信息化和物联网的发展，通过叶片外观和视觉症状识别苹果疾病的病变自动诊断系统将会在规模化农业生产中得到越来越多的关注。

从20世纪80年代开始，计算机视觉技术在作物病虫害识别领域中得到了广泛研究和发展[2-7]。张静等[2]采用叶片纹理特征提取识别黄瓜斑疹病和角斑病。随着计算机视觉技术和机器学习理论的逐渐完善，科研工作者运用判别式分析方法、匹配方法和机器学习方法进行植物病害分类识别，取得了良好效果。胡小平等[3]利用BP网络预测小麦条锈病的严重程度，获得了较高的准确率。以上研究在提取病斑图像的特征参数方面，大多是以提取单变量特征参数为主，因此在识别效率方面尚待提高。

伴随着数据的爆炸增长和计算机硬件的发展，深度学习在图像识别领域取得了巨大进步，扩大了精准农业领域的计算机视觉范围。大量的学者将深度学习理论应用到农作物病害识别的研究中，取得了良好的效果[8-15]。王细萍等[8]利用深层架构卷积神经网络和时变冲量学习相结合进行多阶段特征融合，并取得了良好的效果。……