刘之瑜，张淑芬，张振斌，董燕灵，罗长银

（1. 华北理工大学 理学院, 河北 唐山 063210；2. 华北理工大学 河北省数据科学与应用重点实验室，河北 唐山 063210；3. 华北理工大学 唐山市数据科学重点实验室，河北 唐山 063210）

0 引言

设施蔬菜可以随时随地监控设施内环境参数并及时调节，可以为设施内的蔬菜提供合适的生长环境提高蔬菜的产量和质量，因此设施蔬菜的建设规模发展迅速。相较于设施内蔬菜生长需要的空气温度和湿度、土壤的温度和湿度、光照强度、CO2浓度、土壤酸碱度等环境条件，蔬菜病虫害是影响设施蔬菜产量的最主要因素。很长时间内务农人员在管理设施蔬菜的时候只能靠肉眼去观察蔬菜的生长情况，是否有病虫害以及病虫害的危害程度，往往很难及时发现并采取措施，蔬菜病虫害总会造成蔬菜产量的减少和质量的降低，不止给务农人员造成了经济损失，也对人们的菜篮子造成了影响。

为了最大限度地减少生产损失和保持蔬菜作物的可持续性，必须采取适当的疾病管理和控制措施，突出对蔬菜作物的持续监测，并结合病虫害的快速准确诊断[1]。图像采集设备采集的蔬菜图像，由于其中细微的类间差异和较大的背景变化，大规模图像数据集的视觉分类具有挑战性。深度卷积神经网络（CNNs）是迄今为止解决这一问题最成功的模型，不断有各种卷积神经网络结构被提出来提高分类性能，如ResNet[2]、SENet[3]、InceptionNet[4]、VGGNet[5]。从网络结构的角度看，卷积神经网络主要包括卷积层、池化层和全连接层三个基本操作，卷积层通过卷积核从图像中提取有效特征[6-8]，此外卷积层后常跟一个激活函数，如线性整流单元（ReLU）[9]，以完成对网络的非线性变换；……