张文静，孙秀朋，乔永亮，白鹏，姜红花*，王玉军，杜传印，宗浩

1 山东农业大学 信息科学与工程学院，271018；

2 山东农业大学 植物保护学院，泰安 271018；

3 悉尼大学 工学院，悉尼，2006，澳大利亚；

4 山东科技大学，泰安 271019；

5 山东潍坊烟草有限公司，潍坊 261205；

6 临沂烟草公司，临沂 276003

烟草是我国重要的经济作物，对改变种植地区经济面貌具有重要的作用[1]。烟草病害问题一直困扰着广大烟农，已成为制约烟草生产的重要因素[2]。明确烟草病害发生情况，加强烟草病害防治，是保证烟草产量和品质、减少烟农损失的重要措施[3]。

烟草病害的诊断是烟草病害科学防治的前提和基础[4]。目前烟草病害识别主要利用机器学习的方法，通过提取病害特征信息构建病害识别模型，包括支持向量机（SVM），K-means 聚类算法，卷积神经网络（Resnet 网络、VGG-16 网络、InceptionV3 网络）等[5,21]。濮永先[6]提出了基于病斑特征融合的烟草病害图像检索方法，实现了烟草7 种常见病害的诊断。谢裕睿[7]通过基于SVM 和ResNet 的图像处理方法诊断5 种常见的烟草病害。王平[8]基于深度模型VGG-16 的迁移学习方法构建网络对烟草病害进行识别，准确率达87%。王建玺等[9]提出基于图像处理和模糊模式识别的烟叶病害识别方法，实现了病害的自动识别并表现出较高的识别准确率。喻勇[10]提出了基于计算机视觉的烟叶病害识别分类方法，选取赤星病和野火病2 种病害6 个病害识别特征参数，采用基于标准特征库的模糊模式识别算法对病害进行识别分类并取得良好的识别率。基于深度学习的烟草病害诊断方法能在一定程度上提高烟草病害的识别准确率，但烟草病害发生情况复杂，相似病害特征容易混淆[11]，容易导致检测过程中特征提取不完整，从而影响识别的准确率。……