王文涛，柳鸣，赵志伟，王嘉鑫

（中南民族大学 计算机科学学院，武汉 430074）

植物病害对作物产量产生严重负面影响.现有植物病害分类和识别的主要方法是人参与病叶分类和识别，存在分类所需时间长、病叶分类准确率低的问题.而模式识别是从植物叶片图像中自动分割疾病，这为现有方法提供了新思路.

识别植物是否患病及病类为多分类问题.2012年，WANG等［1］利用k-means算法对图像进行分割，手动提取特征后，将BP神经网络分别用作识别葡萄疾病和小麦疾病的分类器.同年TINA等［2］采用层叠泛化结构将3种基于支持向量机的分类器的分类决策结合起来从低级分类器产生的中间类别中提取中间特征，训练高级支持向量机，纠正颜色、纹理和形状支持向量机产生的错误，提高识别性能.2017年，KUMAR等［3］分别基于空间特征和小波特征对神经网络进行训练和性能计算，用小波特征进行训练时提高了模型准确率.同年，OUPPAPHAN等［4］依据HE等［5］的理论，改进了基于残差模块的卷积模型，改进了基本模型的分类准确率和时间开销.2018年CHOUHAN［6］等基于细菌觅食优化径向基函数神经网络方法，给径向基函数神经网络分配最佳权重，来进一步提高网络的速度和准确性.使用区域生长算法通过对具有共同属性的种子点进行搜索和分组来提高网络分 类 效 果.2020年，AVERSANO等［7］分 别 使 用VGG19［8］、Xception［9］和ResNet（Residual Networks）［10］模型加以迁移学习的方法来提升模型的精度.虽然这些方法都在一定程度上解决了植物病态分类准确率不高……