余胜，谢莉

(韶关学院信息工程学院,广东韶关,512005)

0 引言

粮食安全是国家安全的基础,而农作物疾病的防控是影响粮食安全的一个重要因素,及时准确地识别病害种类可以为农业生产提供有效的专业指导,从而提高农作物产量,减少经济损失[1-2]。

在农作物病害识别中,传统机器学习方法将识别过程分为图像预处理、图像特征提取和分类三个步骤,其中特征提取的结果是整个识别方法的基础,但特征提取方法往往需要丰富的经验和反复的试验,存在一定的主观性[3-4]。同时农作物病害图像存在背景复杂、病害目标区域不明显等特点,增加了特征提取与分类的难度。因此,基于传统机器学习的农作物病害疾病识别方法难以处理背景复杂的病害数据,且泛化能力较弱。

随着硬件设备计算能力的提升和人工智能技术的飞速发展,深度学习在各行各业都取得了非常优异的成绩,如人脸识别、机器翻译和行人检测与识别等方面。在农作物病害识别方面,基于深度学习的识别方法相比于传统机器学习方法在识别准确率和识别速度上同样有很大的提升;在图像分类识别方面,卷积神经网络(Convolutional neural networks,CNNs)是分类识别效果最佳的深度学习方法之一[5-6];在农作物病害识别方面,CNNs也取得了较好的分类识别效果[7-10]。洪惠群等[7]为了扩大网络模型的适用场景,将ShuffleNet网络中的ReLU激活函数用LeakyReLU激活函数代替,构建了轻量级神经网络用于农作物病害的识别。孟亮等[8]则以残差单元为基本网络结构设计了轻量级CNNs用于农作物病害识别。……