刘拥民，胡 魁，聂佳伟，谢铁强

(1 中南林业科技大学 计算机与信息工程学院/智慧林业云研究中心，湖南长沙 410004；2 华南农业大学 动物科学学院，广东 广州 510642)

预计到2030年世界总人口将超过85亿，而随着气候不断变化和城市急剧扩张，全球可用耕地面积一直在萎缩，同时气候变化带来的农作物病虫害问题不断攀升，粮食安全问题无疑成为当今世界面临的紧急性问题，以中国为例，根据农作物病虫害监测网站的报告，长江流域的广大产粮区，2017年农作物病虫害发生面积同比增长26.6%，仅2020年，中国农作物重大病虫害累计发生面积就高达3亿hm2，病虫害不单影响粮食产量，还可能带来重大经济损失[1-3]。

随着深度学习的不断发展，特别是在农作物病虫害识别领域的应用研究不断深入，通过对病害图像的特征提取、分类识别，能够做到对农作物病虫害的正确识别和及时预防，大大节省人力、物力，有望将经济损失降到最低[4-5]。基于深度学习的农作物病虫害识别流程包括数据的采集、训练模型的构建以及推理验证[6-7]。陆健强等[8]提出了一种基于Mixup 算法和卷积神经网络的柑橘黄龙病识别模型，通过数据增强和迁移学习，最终模型的识别准确率达到94.29%。黄林生等[9]以ResNet为基础模型，结合Inception模块，对不同尺度病害特征进行提取，并引入注意力机制，提出了在复杂环境下的农作物叶片病害识别模型，平均识别准确率达到了95.62%。骆润玫等[10]以YOLOv5s为基础模型，通过引入多尺度特征融合模块，提出了一种基于YOLOv5-C的广佛手病虫害识别方法，在复杂背景下，识别准确率达到93.61%。……