多類農(nóng)作物病蟲害的圖像識別應用技術研究綜述

康飛龍 李佳 劉濤 佟鑫 于文波

摘要：利用深度學習等圖像處理技術對農(nóng)作物進行病蟲害圖像識別的技術研究，是未來農(nóng)業(yè)智能化發(fā)展的必然趨勢。本研究概述國內(nèi)外不同種類的農(nóng)作物病蟲害的圖像識別應用技術的研究現(xiàn)狀，對經(jīng)典的圖像處理、機器學習、深度學習等方法中存在的優(yōu)缺點進行深入分析，提出采用生成對抗網(wǎng)絡（generative adversarial networks，簡稱GAN）技術來擴充農(nóng)作物病蟲害數(shù)據(jù)庫，并采用基于移動端APP的深度學習識別模型等技術作為未來農(nóng)作物病蟲害識別技術研究的方向與目標，為農(nóng)業(yè)生產(chǎn)提供病蟲害決策支持服務，及時準確診斷農(nóng)作物病蟲害情況。根據(jù)不同的病情給出用藥指導及早治療，可以有效遏制病蟲害的蔓延，降低對作物產(chǎn)量的影響;通過減少用藥量達到治療目的，有利于農(nóng)業(yè)生產(chǎn)提質(zhì)增效、保障食品安全、維護人類健康。

關鍵詞：農(nóng)作物病蟲害;農(nóng)業(yè)智能化;圖像識別;深度學習;生成對抗網(wǎng)絡

中圖分類號： TP391.41 文獻標志碼： A

文章編號：1002-1302（2020）22-0022-06

作者簡介：康飛龍（1986—），男，內(nèi)蒙古呼和浩特人，博士，高級工程師，講師，研究方向為農(nóng)業(yè)智能化。E-mail：kfl@imau.edu.cn。

通信作者：李 佳，博士，高級工程師，講師，研究方向為農(nóng)業(yè)大數(shù)據(jù)技術。E-mail：273041390@qq.com。

農(nóng)作物病蟲害是制約農(nóng)業(yè)生產(chǎn)的重要災害之一，直接影響“三農(nóng)”經(jīng)濟的健康發(fā)展，制約著農(nóng)民增收。當前國際上病蟲害使農(nóng)作物潛在產(chǎn)量平均減少40%，而發(fā)展中國家的許多農(nóng)民遭受的產(chǎn)量損失甚至高達100%，農(nóng)作物病蟲害造成的損失約為世界糧食生產(chǎn)總產(chǎn)量的十分之一[1]。我國病蟲害問題較為突出，常見的病蟲害有1 400種以上。預計2020年我國農(nóng)作物重大病蟲害總體將偏重發(fā)生，累計發(fā)生面積約3億公頃次[2]。農(nóng)作物病蟲害的發(fā)生在時空上有一定的規(guī)律，但又具有明顯的無序性，表現(xiàn)為空間上的區(qū)域性特點和時間上的隨機、突發(fā)以及不穩(wěn)定性。這些復雜的特點導致對其發(fā)生的預測、診斷、防治存在較大的困難，一旦暴發(fā)常常會帶來毀滅性的后果，造成嚴重的損失。在防治病蟲害過程中因施藥不當，還會導致環(huán)境污染與食品污染，對人類食品安全構成威脅。因此，科學有效地降低病蟲害的發(fā)生頻度與強度意義重大。對農(nóng)作物進行準確的病蟲害識別并推薦合適的防治措施，不僅可以保證農(nóng)作物的產(chǎn)量，同時還可以有效減少農(nóng)藥使用量，降低使用農(nóng)藥產(chǎn)生的各種危害。當前病蟲害數(shù)據(jù)監(jiān)測是農(nóng)情監(jiān)測系統(tǒng)的重要組成部分。農(nóng)作物病蟲害的無損檢測與早期識別是精準農(nóng)業(yè)和生態(tài)農(nóng)業(yè)發(fā)展的關鍵。

1 病蟲害識別技術的研究現(xiàn)狀及發(fā)展動態(tài)分析

在田間進行農(nóng)作物取樣后，傳統(tǒng)的病蟲害診斷需要通過化學方法及調(diào)查研究才可以進行相應的決策實施，存在著費時費力、診斷不及時、診斷范圍有限等缺點。許多國內(nèi)外現(xiàn)有的研究針對農(nóng)作物病蟲害問題采用圖像處理技術和機器學習算法進行及時有效的檢測，取得了較多較好的研究成果，實現(xiàn)了對農(nóng)作物各類信息的有效識別與提取。

2 經(jīng)典農(nóng)作物病蟲害圖像識別方法

目前，國外很多學者主要采用可見光成像技術、紅外成像技術或者高光譜成像技術采集圖像照片，并利用經(jīng)典的圖像處理技術（去噪、腐蝕和膨脹、圖像分割、圖像增強、特征提?。┖蜋C器學習技術[包括最小二乘法、k均值聚類算法、支持向量機（support vector machine，簡稱SVM）、人工神經(jīng)網(wǎng)絡（artificial neural network，簡稱ANN）]檢測被測物的外部特征、內(nèi)部化學成分含量、生理結構的變化等實現(xiàn)診斷，并且便于獲得被測農(nóng)作物的病變情況。

很多學者在采集到紅外圖像或者高光譜圖像的基礎上[3]，采用經(jīng)典圖像處理技術和機器學習方法對不同的農(nóng)作物病蟲害目標進行診斷與識別。Raza等利用紅外圖像信息和深度信息相結合，采用支持向量機（support vector machine，簡稱SVM）實現(xiàn)了番茄白粉病的檢測[4]。Zhao等使用偏最小二乘回歸法分析了黃瓜高光譜圖像角葉斑點疾病與玉米、大豆的葉片化學成分[5-6]。Zhu等使用單一閾值分割方法提取了煙草病害高光譜圖像數(shù)據(jù)的特征，包括對比度、相關性、熵、同質(zhì)性等，并對比了多種機器學習方法[包括人工神經(jīng)網(wǎng)絡（artificial neural network，簡稱ANN）和SVM等]分類檢測的效果[7]。余秀麗等通過提取小麥病斑區(qū)域的形狀特征和紋理特征，利用SVM方法對小麥葉部進行了分類識別[8]。2017年牛沖等使用SVM方法對提取的草莓葉片灰度圖像直方圖的8個特征（包括平均灰度、標準偏差、三階中心矩、平滑度、均勻性、平均信息量、最大概率灰度級、灰度范圍等）進行了分類識別[9]。

綜上所述，通過使用傳統(tǒng)機器學習分類方法來識別某一農(nóng)作物的某些特定圖像特征，會面臨一些困難。第一，經(jīng)典圖像處理方法很難在不同光照條件下檢測出相近的圖像特征值，從而使得病蟲害圖像目標識別失敗;第二，不同發(fā)病期的農(nóng)作物病蟲害的圖像目標大小、特征顏色、區(qū)域分布并不一致，很難采用一定范圍內(nèi)的某一個特征或多個特征來表述，有些特征甚至與葉片背景顏色非常相似，導致利用傳統(tǒng)機器學習分類方法不能很好地將圖像中的病蟲害目標有效準確地識別出來;第三，因試驗樣本數(shù)量有限或所選葉片僅來自一種植物，這些模型僅局限于對同一種植物的葉片病害識別。這使得基于分割的經(jīng)典圖像處理技術很難有效提取目標，從而對識別效果產(chǎn)生不利影響。

自深度學習技術開始大規(guī)模發(fā)展以來，越來越多的研究者將深度學習引入農(nóng)作物病蟲害圖像檢測領域[10]。這種新型無損檢測技術相較于傳統(tǒng)的圖像識別方法，可以自動提取農(nóng)作物病蟲害圖像的特征，在可見光范圍內(nèi)即可對農(nóng)作物病蟲害進行快速無損識別，無需采用高光譜成像技術，準確性更高、檢測速度更快、穩(wěn)定性更好。

3 基于深度學習的農(nóng)作物病蟲害圖像處理識別方法

深度學習較經(jīng)典神經(jīng)網(wǎng)絡的網(wǎng)絡結構更為復雜、學習能力更強、識別準確率更高，在解決圖像分類和可視化問題上具有明顯的優(yōu)勢。近幾年，學者們普遍高度關注深度學習的研究，成熟的深度學習網(wǎng)絡包括受限玻爾茲曼機（restricted boltzmann machine，簡稱RBM）、深度置信網(wǎng)絡（deep belief networks，簡稱DBN）、深度玻爾茲曼機（deep boltzmann machine，簡稱DBM）、卷積神經(jīng)網(wǎng)絡（convolutional neural networks，簡稱CNN）、循環(huán)神經(jīng)網(wǎng)絡（recurrent neural networks，簡稱RNN）、生成式對抗網(wǎng)絡（generative adversarial networks，簡稱GAN）、膠囊網(wǎng)絡（capsule network，簡稱CapsNet）等。經(jīng)典的卷積神經(jīng)網(wǎng)絡模型結構包括但不限于輸入層、卷積層、池化層、全連接層以及輸出層等。目前卷積神經(jīng)網(wǎng)絡的技術發(fā)展日新月異，出現(xiàn)了大量性能優(yōu)秀的神經(jīng)網(wǎng)絡模型，例如LeNet-5、AlexNet、ZF-Net、VGGNet、GoogLeNet、ResNet、R-CNN、Faster R-CNN、YOLO、SSD、DenseNet等[11-12]，而這些模型在人臉識別、車輛檢測、語音識別、詩詞創(chuàng)作等領域都有不凡的表現(xiàn)。越來越多的學者開始將深度學習應用于農(nóng)作物病蟲害的診斷識別中，可以獲得高效快速的效果。

2018年張善文等基于LeNet卷積神經(jīng)網(wǎng)絡對 1 200 張預處理后的黃瓜病害圖像進行建模[13];Amara等將LeNet卷積神經(jīng)網(wǎng)絡用于香蕉葉片病害識別[14];孫俊等在AlexNet卷積神經(jīng)網(wǎng)絡基礎上實現(xiàn)了對多種植物葉片病害的識別[15];Mohanty等在2016年利用GoogLeNet卷積神經(jīng)網(wǎng)絡通過遷移學習訓練模型[16]，分析14種作物的26類病害的54 306幅植物葉子的圖像，證明了可以采用1種深度學習模型同時識別多類農(nóng)作物病蟲害的圖像數(shù)據(jù);Amanda等應用遷移學習建立Inception v3卷積神經(jīng)網(wǎng)絡模型來識別木薯病蟲害[17]，其中Inception v3是GoogLeNet的改進版本;黃雙萍等在2017年基于GoogLeNet進行建模，對采集的1 467幅水稻穗瘟病高光譜圖像進行分類識別[18];Sladojevic等在Caffe框架上開發(fā)了基于CaffeNet卷積神經(jīng)網(wǎng)絡的模型[19]，可識別13種農(nóng)作物病蟲害葉片數(shù)據(jù);Brahimi等對比了AlexNet和GoogLeNet在14 828張番茄葉片上9種病蟲害的識別效果[20]，結果證明GoogLeNet更勝一籌，同時試驗結果還表明深度學習模型比傳統(tǒng)的機器學習模型要更加優(yōu)秀;劉闐宇等在2017年利用基于區(qū)域Faster R-CNN卷積神經(jīng)網(wǎng)絡建立模型定位葡萄葉片位置，識別分類葡萄病蟲害，利用新的模型不僅可以分辨病蟲害的種類，同時還可以輸出目標檢測的位置信息[21];多數(shù)國內(nèi)學者在2018—2019年利用深度卷積神經(jīng)網(wǎng)絡對柑橘、小麥、銀杏葉、煙草、馬鈴薯、水稻、油茶、黃瓜、草莓和棉花等的病害圖像識別進行了大量的研究工作[22-33]。

從以上文獻可以看出，利用深度學習技術模型來識別農(nóng)作物病蟲害圖像具有一定的可行性，但這些模型仍然存在一定的局限性。比如新模型并不能有效針對各個地區(qū)的農(nóng)作物病蟲害進行識別。主要原因是一方面訓練模型的數(shù)據(jù)集中只含有一部分地區(qū)的病蟲害樣本;另一方面，這些模型都只能對某一種特定的病蟲害進行單一的識別，且對樣本圖像的拍攝標準有一定的要求。如果一個識別模型只能識別單一種類的農(nóng)作物病蟲害圖像，而該模型遇到其他種類病蟲害就無法準確識別出正確結果，很難依靠大數(shù)據(jù)平臺達到實用化水平?？梢韵胂螅脩粼谑褂弥悄芟到y(tǒng)進行識別之前，若還需要根據(jù)專家經(jīng)驗先對不同種類的農(nóng)作物、不同種類的病蟲害進行分類，并在此基礎上再從大量的單一識別模型中挑選出某一種識別模型對用戶自己的目標進行識別，則使用這類智能系統(tǒng)的體驗感就會大大降低。

深度學習模型由于層數(shù)較深、網(wǎng)絡結構復雜，所以面臨的主要難題是需要訓練的模型參數(shù)數(shù)量非常大。一些學者使用遷移學習可以在現(xiàn)有成熟卷積神經(jīng)網(wǎng)絡（例如Inception v3等）基礎上，建立起適合于專用數(shù)據(jù)集的網(wǎng)絡模型。GoogLeNet是通過Inception結構增加網(wǎng)絡的寬度，減少網(wǎng)絡的深度，可以減少參數(shù)計算量，同時還可以保證網(wǎng)絡識別的性能。DenseNet是將所有層連接起來，網(wǎng)絡設計得更窄，使得參數(shù)量更少，每一個層都直接與輸入層有關，由于DenseNet殘差結構并不增加模型參數(shù)，同時利用這種結構在模型訓練時可以有效地緩解由于深層網(wǎng)絡反向傳播訓練時所帶來的梯度消失問題，從而提升網(wǎng)絡收斂性能。

經(jīng)典的卷積神經(jīng)網(wǎng)絡算法具有局限性，尚不能準確定位出農(nóng)作物病蟲害區(qū)域。而基于區(qū)域的卷積神經(jīng)網(wǎng)絡，加入了網(wǎng)格劃分功能，每一個網(wǎng)格不僅輸出所屬類別，同時還輸出檢測目標的坐標，使得網(wǎng)絡模型可以定位目標。新提出的基于區(qū)域的卷積神經(jīng)網(wǎng)絡，包括SPPNet、Fast R-CNN、Faster R-CNN 等[34-35]，全連接層存在大量的參數(shù)冗余。而基于區(qū)域的全卷積網(wǎng)絡（R-FCN）去除了全連接層[36]，卷積層可以共享參數(shù)，減少了參數(shù)冗余，速度得到大幅提升。由于農(nóng)作物病蟲害目標在圖像中的位置是不確定的，R-FCN通過利用候選區(qū)域網(wǎng)絡（region proposal network，簡稱RPN）解決了復雜背景中病蟲害目標的識別與定位。

4 生成對抗網(wǎng)絡技術應用

生成式對抗網(wǎng)絡GAN模型的原理主要是由生成模型和判別模型構成，通過2種模型在不斷對抗的過程中提高生成模型能力的一種框架（圖1）[37]。生成模型的訓練目標主要是讓生成的圖像數(shù)據(jù)更接近真實數(shù)據(jù)，而判別模型的訓練目標是盡可能地區(qū)分真實數(shù)據(jù)和生成模型生成的數(shù)據(jù)。判別模型可以通過不斷提升自己的判別能力來促使生成模型，也可以不斷提高自己的生成圖像數(shù)據(jù)更符合我們期望的要求。

深度卷積生成對抗網(wǎng)絡（deep cpnvolutional generative adver sarial networks，簡稱DCGAN）是一種深度卷積實現(xiàn)生成對抗網(wǎng)絡的方法[38]，主要以深度卷積神經(jīng)網(wǎng)絡作為生成模型，以隨機噪聲向量作為輸入，輸入向量通過一個反卷積網(wǎng)絡映射為輸出圖像，其中反卷積網(wǎng)絡是以轉(zhuǎn)置卷積來實現(xiàn)的。DCGAN是在GAN的基礎上提出了一種訓練架構，幾乎完全用卷積層取代了全連接層，去掉了池化層，采用批標準化等技術，將判別模型的發(fā)展成果引入到了生成模型中。

首先獲取m個真實樣本，用生成模型生成m個樣本，用這2 m個樣本訓練判別模型。然后用生成模型生成m個樣本，用這些樣本訓練生成模型。訓練判別模型時要求目標函數(shù)的極大值，采用的是梯度上升法;訓練生成模型時要求目標函數(shù)的極小值使用的是梯度下降法。訓練算法如下：

其中，m是人工設定的參數(shù)，即Mini-Batch梯度下降法中的批量大小。

訓練時采用分階段優(yōu)化策略進行優(yōu)化，交替地優(yōu)化生成模型和判別模型，最終達到平衡的狀態(tài)，訓練終止。

通過訓練基于生成式對抗網(wǎng)絡而生成的農(nóng)作物病蟲害圖像，可以更好地擴充農(nóng)作物病蟲害樣本集。最終將農(nóng)場現(xiàn)場采集的圖像、隨機化旋轉(zhuǎn)處理等技術生成的圖像和基于生成對抗網(wǎng)絡合成的農(nóng)作物病蟲害圖像數(shù)據(jù)進行整理和分類標記，可以有效增強深度學習模型的泛化性能。利用大量不同地區(qū)的特有農(nóng)作物病蟲害圖像建模，實現(xiàn)有針對性地診斷不同地區(qū)特有的病蟲害目標。

5 存在的問題

通過分析與總結國內(nèi)外的研究進展，目前很多學者和團隊都在實驗室理想條件下采集并處理了大量的農(nóng)作物病蟲害圖像，但真正用于實際項目的并不多見，當前研究中主要存在以下問題。

（1）數(shù)據(jù)的采集與預處理實際上是最耗時，也是最重要的。很多模型是基于高光譜圖像數(shù)據(jù)建立的，而實際現(xiàn)場中農(nóng)民手中沒有高成本的高光譜圖像采集設備，使得這樣的智能識別模型很難在地理位置偏遠、病蟲害嚴重的地區(qū)使用。

在數(shù)據(jù)采集過程中，實驗室條件下采集的病蟲害圖像數(shù)據(jù)往往過于理想化或者不夠具有農(nóng)作物病蟲害的代表性。在這種情況下建立的智能識別模型在實際中很難達到較好的識別效果，會影響到模型檢測的準確率，導致漏檢或識別錯誤。應全面采集每一種農(nóng)作物在不同季節(jié)、不同生長周期、不同病變時期的圖像數(shù)據(jù)。

在實際生產(chǎn)中農(nóng)作物病蟲害，尤其是在不同地區(qū)內(nèi)的農(nóng)作物病蟲害圖像的采集是非常困難的。第一，由于農(nóng)藥的大量使用，使得采集到農(nóng)田或溫室環(huán)境下不同時期不同種類的農(nóng)作物病蟲害圖像難度很大，且難以采集足夠規(guī)模數(shù)量的多種病蟲害圖像;第二，一個種植園區(qū)不可能同時具有多種病蟲害;第三，采集的病蟲害圖像還可能存在重要特征遺漏的情況。

（2）從深度學習增強模型泛化能力方法來看，往往采用隨機旋轉(zhuǎn)、左右翻轉(zhuǎn)、上下翻轉(zhuǎn)、模糊、高斯噪聲、光線變換、隨機裁剪等方法來增加數(shù)據(jù)集的規(guī)模及樣本多樣性。但因為數(shù)據(jù)集本身不具有代表性，所以并不能很好地提高模型的泛化能力。實際采集數(shù)據(jù)過程中，現(xiàn)有的病蟲害圖像樣本比較少，且田間病蟲害圖像的采集工作比較困難、工作量也很大。如何能夠利用已有的少量（幾萬張）病蟲害圖像實現(xiàn)病蟲害圖像的再生成技術已經(jīng)成為亟須解決的技術問題。

（3）背景復雜、光照條件變化、重疊及被遮擋，特別是前景目標與背景葉片顏色極為相近等因素，給目標識別帶來很大困難。傳統(tǒng)的機器學習算法無法從復雜多變的背景環(huán)境中提取檢測到與病蟲害相關的圖像識別特征，建立起來的農(nóng)作物病蟲害識別模型并不穩(wěn)定。另外，使用經(jīng)典模型對農(nóng)作物病蟲害診斷進行初步探索，在實驗室條件下取得了較為滿意的識別結果，但距離實用化仍有很大差距。因此，在提高農(nóng)作物病蟲害圖像樣本數(shù)量規(guī)模及代表性的同時，優(yōu)化和改進卷積神經(jīng)網(wǎng)絡的模型和最優(yōu)化算法就變得極為重要。

6 未來發(fā)展趨勢與目標

通過總結分析當前國內(nèi)外研究現(xiàn)狀及存在的問題，針對不同地區(qū)多種典型農(nóng)作物病蟲害圖像，基于深度學習識別診斷背景復雜、成像模糊的農(nóng)作物病蟲害圖像，實現(xiàn)智能化大數(shù)據(jù)平臺病蟲害診斷系統(tǒng)，并根據(jù)農(nóng)業(yè)種植專家經(jīng)驗提供治理方案，對于保障農(nóng)業(yè)生產(chǎn)、推動農(nóng)業(yè)經(jīng)濟發(fā)展具有重要意義。未來針對不同地區(qū)多種典型農(nóng)作物病蟲害智能診斷及移動端大數(shù)據(jù)平臺關鍵性問題，可以從以下幾個方面開展研究。

6.1 建立病蟲害數(shù)據(jù)庫

不同的農(nóng)作物病蟲害數(shù)據(jù)并不完整，應與不同地區(qū)多家種植園區(qū)合作培養(yǎng)多種農(nóng)作物的病蟲害試驗基地。培育不同時期、不同種類的早中晚期病蟲害農(nóng)作物，建設農(nóng)作物病蟲害研究試驗基地，采集多種類、多時期的農(nóng)作物病蟲害圖像，用于建設農(nóng)作物病蟲害數(shù)據(jù)庫。

6.2 擴大數(shù)據(jù)庫規(guī)模

采用生成式對抗網(wǎng)絡生成農(nóng)作物病蟲害圖像數(shù)據(jù)來擴充農(nóng)作物病蟲害圖像數(shù)據(jù)的規(guī)模，以增強深度學習模型對于各種復雜條件下識別農(nóng)作物病蟲害圖像的泛化能力，同時有效緩解深度學習模型的過擬合問題。

6.3 訓練高性能神經(jīng)網(wǎng)絡

建立適用于不同病蟲害圖像的人工智能深度學習R-FCN卷積神經(jīng)網(wǎng)絡識別模型，兼容各種復雜環(huán)境下的農(nóng)作物病蟲害圖像。不僅可以克服復雜背景環(huán)境對采集農(nóng)作物病蟲害圖像的影響，還可以識別出多種農(nóng)作物的多種病蟲害圖像，同時可以識別出不同地區(qū)的農(nóng)作物病蟲害并能準確分類。

6.4 開發(fā)移動端應用程序識別系統(tǒng)

研究基于移動端應用程序（APP）及大數(shù)據(jù)平臺的農(nóng)作物病蟲害智能系統(tǒng)。該系統(tǒng)可以快速地識別病蟲害結果，提供治療方案，同時針對部分地區(qū)通信信號較差的情況，可提供手機離線狀態(tài)下識別農(nóng)作物病蟲害的功能。

7 結語

隨著深度學習技術的發(fā)展，改進后的基于端到端技術的卷積神經(jīng)網(wǎng)絡已經(jīng)訓練出可以同時識別 3 000 種不同類別實物的深度學習識別模型，識別速度達到了30張/s圖像以上，甚至更快更準。那么深度學習模型完全有能力同時快速有效地識別多種農(nóng)作物病蟲害圖像，并且不局限于某一種農(nóng)作物的某一類病蟲害圖像。因此，本研究提出未來的研究方向可以采用深度學習模型來同時識別不同地區(qū)的多種農(nóng)作物病蟲害圖像，并利用大數(shù)據(jù)平臺實現(xiàn)移動端APP快速識別農(nóng)作物病蟲害的功能，從而可以有效甄別復雜環(huán)境下農(nóng)作物圖像中的病蟲害區(qū)域。為農(nóng)業(yè)生產(chǎn)提供病蟲害決策支持服務，及時準確診斷農(nóng)作物病蟲害情況，據(jù)此給出用藥指導及早治療，可有效遏制病蟲害的蔓延，降低對作物產(chǎn)量的影響，并通過減少用藥量達到治療目的，有利于農(nóng)業(yè)生產(chǎn)提質(zhì)增效、保障食品安全和維護人類健康。降低農(nóng)作物病蟲害大規(guī)模暴發(fā)風險，對維護農(nóng)業(yè)生產(chǎn)的健康穩(wěn)定和人類健康具有極大的經(jīng)濟意義與現(xiàn)實意義。

參考文獻：

[1]馮占山，高世杰. 農(nóng)業(yè)可持續(xù)發(fā)展與農(nóng)作物病害的持續(xù)控制[J]. 現(xiàn)代化農(nóng)業(yè)，2013（3）：5-6.

[2]姜玉英，劉萬才，黃 沖，等. 2019全國農(nóng)作物重大病蟲害發(fā)生趨勢預報[J]. 中國植保導刊，2019，39（2）：36-39.

[3]王彥翔，張 艷，楊成婭，等. 基于深度學習的農(nóng)作物病害圖像識別技術進展[J]. 浙江農(nóng)業(yè)學報，2019，31（4）：669-676.

[4]Raza S E A，Gillian P，Clarkson J P，et al. Automatic detection of diseased tomato plants using thermal and stereo visible light images[J]. PLoS One，2015，10（4）：e0123262.

[5]Zhao Y R，Li X L，Yu K Q，et al. Hyperspectral imaging for determining pigment contents in cucumber leaves in response to angular leaf spot disease[J]. Scientific Reports，2016，6：27790.

[6]Piyush P，Yufeng G，Vincent S，et al. High throughput in vivo analysis of plant leaf chemical properties using hyperspectral imaging[J]. Frontiers in Plant Science，2017，8：1348.

[7]Zhu H Y，Chu B Q，Zhang C，et al. Hyperspectral imaging for presymptomatic detection of tobacco disease with successive projections algorithm and machine-learning classifiers[J]. Scientific Reports，2017，7（1）：4125.

[8]余秀麗，徐 超，王丹丹，等. 基于SVM的小麥葉部病害識別方法研究[J]. 農(nóng)機化研究，2014，36（11）：151-155，159.

[9]牛 沖，牛昱光，李 寒，等. 基于圖像灰度直方圖特征的草莓病蟲害識別[J]. 江蘇農(nóng)業(yè)科學，2017，45（4）：169-172.

[10]賈少鵬，高紅菊，杭 瀟. 基于深度學習的農(nóng)作物病蟲害圖像識別技術研究進展[J]. 農(nóng)業(yè)機械學報，2019，50（增刊）：313-317.

[11]Liu W，Anguelov D，Erhan D，et al. SSD：single shot multiBox detector[M]// Leibe B，Matas J，Sebe N，et al. Computer Vision-ECCV 2016. Cham：Springer，2016：21-37.

[12]Huang G，Liu Z，Van Der Maaten，et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2017：2261-2269.

[13]張善文，謝澤奇，張晴晴. 卷積神經(jīng)網(wǎng)絡在黃瓜葉部病害識別中的應用[J]. 江蘇農(nóng)業(yè)學報，2018，34（1）：56-61.

[14][JP3]Amara J，Bouaziz B，Algergawy A. A deep learning-[JP]based approach for banana leaf diseases classification[C]//Datenbanksysteme für Business，Technologie und Web （BTW 2017），17. Fachtagung des GI-Fachbereichs，Datenbanken und Informationssysteme （DBIS），Stuttgart，Germany，Workshopband， 2017.

[15]孫 俊，譚文軍，毛罕平，等. 基于改進卷積神經(jīng)網(wǎng)絡的多種植物葉片病害識別[J]. 農(nóng)業(yè)工程學報，2017，33（19）：209-215.

[16]Mohanty S P，Hughes D P，Salathé Marcel. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science，2016，7：1419.

[17]Ramcharan A，Baranowski K，McCloskey P，et al. Deep learning for image-based cassava disease detection[J]. Frontiers in Plant Science，2017，8：1852.

[18]黃雙萍，孫 超，齊 龍，等. 基于深度卷積神經(jīng)網(wǎng)絡的水稻穗瘟病檢測方法[J]. 農(nóng)業(yè)工程學報，2017，33（20）：169-176.

[19]Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience，2016，2016：3289801.

[20]Brahimi M，Kamel B，Moussaoui A. Deep learning for tomato diseases：classification and symptoms visualization[J]. Applied Artificial Intelligence，2017，31（4）：299-315.

[21]劉闐宇，馮 全，楊 森. 基于卷積神經(jīng)網(wǎng)絡的葡萄葉片病害檢測方法[J]. 東北農(nóng)業(yè)大學學報，2018，49（3）：73-83.

[22]廖經(jīng)緯，蔡 英，王語晨，等. 基于卷積神經(jīng)網(wǎng)絡的植物病害識別技術[J]. 現(xiàn)代計算機（專業(yè)版），2018（19）：43-48，53.

[23]張 敏，劉 杰，蔡高勇. 基于卷積神經(jīng)網(wǎng)絡的柑橘潰瘍病識別方法[J]. 計算機應用，2018，38（增刊1）：48-52，76.

[24]張 航，程 清，武英潔，等. 一種基于卷積神經(jīng)網(wǎng)絡的小麥病害識別方法[J]. 山東農(nóng)業(yè)科學，2018，50（3）：137-141.

[25]劉瑾蓉，林劍輝，李婷婷. 基于卷積神經(jīng)網(wǎng)絡的銀杏葉片患病程度識別[J]. 中國農(nóng)業(yè)科技導報，2018，20（6）：55-61.

[26]李 敬. 基于卷積神經(jīng)網(wǎng)絡的煙草病害自動識別研究[D]. 泰安：山東農(nóng)業(yè)大學，2016.

[27]趙建敏，李 艷，李 琦，等. 基于卷積神經(jīng)網(wǎng)絡的馬鈴薯葉片病害識別系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學，2018，46（24）：251-255.

[28]譚云蘭，歐陽春娟，李 龍，等. 基于深度卷積神經(jīng)網(wǎng)絡的水稻病害圖像識別研究[J]. 井岡山大學學報（自然科學版），2019，40（2）：31-38.

[29]龍滿生，歐陽春娟，劉 歡，等. 基于卷積神經(jīng)網(wǎng)絡與遷移學習的油茶病害圖像識別[J]. 農(nóng)業(yè)工程學報，2018，34（18）：194-201.

[30]楊晉丹，楊 濤，苗 騰，等. 基于卷積神經(jīng)網(wǎng)絡的草莓葉部白粉病病害識別[J]. 江蘇農(nóng)業(yè)學報，2018，34（3）：527-532.

[31]張建華，孔繁濤，吳建寨，等. 基于改進VGG卷積神經(jīng)網(wǎng)絡的棉花病害識別模型[J]. [JP2]中國農(nóng)業(yè)大學學報，2018，23（11）：161-171.

[32]蔡漢明，隨玉騰，張 鎮(zhèn)，等. 基于深度可分離卷積神經(jīng)網(wǎng)絡的農(nóng)作物病害識別方法[J]. 安徽農(nóng)業(yè)科學，2019，47（11）：244-246，252.

[33]王 振，張善文，王獻鋒. 基于改進全卷積神經(jīng)網(wǎng)絡的黃瓜葉部病斑分割方法[J]. 江蘇農(nóng)業(yè)學報，2019，35（5）：1054-1060.

[34]He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2014，37（9）：1904-1916.

[35]Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2015，39（6）：1109-1122.

[36]Dai J F，Li Y，He K M，et al. R-FCN：object detection via region-based fully convolutional networks[R]. arXiv：Computer Vision and Pattern Recognition，2016.

[37]Brock A，Donahue J，Simonyan K，et al. Large scale GAN training for high fidelity natural image synthesis[R]. arXiv：Learning，2018.

[38]Radford A，Metz L，Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[EB/OL]. [2020-01-03].http：//arxiv.org/abs/1511.06434.