基于深度學習的農(nóng)作物病蟲害研究進展

牛潘婷，張寶林，2，3，潘麗杰，郭建鵬，李瑞鑫

（1.內(nèi)蒙古師范大學 化學與環(huán)境科學學院，內(nèi)蒙古 呼和浩特 010022；2.內(nèi)蒙古自治區(qū)環(huán)境化學重點實驗室，內(nèi)蒙古 呼和浩特 010022；3.內(nèi)蒙古節(jié)水農(nóng)業(yè)工程研究中心，內(nèi)蒙古 呼和浩特 010022）

病蟲害對農(nóng)業(yè)生產(chǎn)的影響巨大，是全球糧食安全面臨的嚴峻挑戰(zhàn)，不利于農(nóng)業(yè)的可持續(xù)發(fā)展。根據(jù)聯(lián)合國糧農(nóng)組織（FAO）的估計，全球每年因植物病害而導致糧食產(chǎn)量損失為總產(chǎn)量的10% 左右［1］。中國是一個農(nóng)業(yè)大國，應該更加關(guān)注病蟲害監(jiān)測與識別技術(shù)，以減少農(nóng)業(yè)損失；然而，在大規(guī)模的農(nóng)業(yè)生產(chǎn)中，依靠從業(yè)者自身經(jīng)驗來監(jiān)測病蟲害發(fā)生，工作量大且效率低［2］。要在保護生態(tài)的基礎上提高病蟲害防治，需要增強、優(yōu)化病蟲害識別技術(shù)［3］，減少病蟲害的發(fā)生頻率與強度。農(nóng)作物病蟲害的無損檢測是農(nóng)業(yè)可持續(xù)發(fā)展的關(guān)鍵之一［4］，是智慧農(nóng)業(yè)發(fā)展的必然需求。

病蟲害圖像識別技術(shù)可替代傳統(tǒng)的人工識別手段，為防止病蟲害的傳播提供必需信息。早期病蟲害防治依賴于人工識別，得益于農(nóng)耕人員的自身經(jīng)驗，有一定的局限性、主觀性，識別效率低且準確率低。近年來，由于深度學習在圖像識別、圖像分類、視頻處理、自然語言處理等領(lǐng)域取得了重大突破，也成為農(nóng)業(yè)領(lǐng)域的研究熱點。隨著科學技術(shù)的發(fā)展，農(nóng)作物病蟲害識別監(jiān)測已進入第三個階段，即基于深度學習技術(shù)的人工智能階段。

深度學習技術(shù)給農(nóng)作物病蟲害防治提出了新的方法?；趪鴥?nèi)外學者的研究成果，本文總結(jié)了深度學習技術(shù)在農(nóng)作物病蟲害方面的應用及其研究進展，概述深度學習技術(shù)研究發(fā)展以及各算法的優(yōu)點和存在的問題，對深度學習實際應用的關(guān)鍵技術(shù)進行總結(jié)，并對未來農(nóng)作物病蟲害識別、監(jiān)測、研究趨勢進行展望。

1 深度學習的產(chǎn)生與發(fā)展

為了模擬人腦學習，借鑒人腦機制進行解釋數(shù)據(jù)，2006 年Hinton 等［5］提出的深度學習成為機器學習的一個新領(lǐng)域。深度學習最大的特點是具有復雜的網(wǎng)絡結(jié)構(gòu)和龐大的數(shù)據(jù)樣本。隨后，出現(xiàn)了許多深度學習網(wǎng) 絡，例如深 層信念網(wǎng)絡（deep belief network，DBN）［6］、卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）［7］、循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN）［8］、生成式對抗網(wǎng)絡（generative adversarial networks，GAN）［9］、膠囊網(wǎng)絡（capsule network，CapsNet）［10］等。

深度學習的發(fā)展分為三個階段。20 世紀40 年代到80 年代，第一代神經(jīng)網(wǎng)絡MCP（mcculloch-pitts neuron）［11］出現(xiàn)，是深度學習的起源階段；1986 年，適用于多層感知器的反向傳播算法（back propagation，BP）［12］的提出，開始了深度學習的第二次熱潮，但隨后由于梯度消失問題，發(fā)展進入了低谷；2012 年，AlexNet［13］在ImageNet 圖像識別大賽中奪冠，開啟了深度學習的爆發(fā)式發(fā)展階段。AlexNet 問世后，深度學習體系結(jié)構(gòu)隨著時間的推移而演變［14］（圖1），各種深度學習模型被廣泛用于圖像識別、分割和分類等。

圖1 深度學習模型結(jié)構(gòu)的發(fā)展Fig.1 Development of structure of deep learning models

2 深度學習在農(nóng)作物病蟲害識別研究中的應用

在深度學習進入農(nóng)作物病害識別領(lǐng)域之前，病蟲害識別方法基于機器學習算法，通過訓練算法分類能力，達到病蟲害圖像識別的目的。近年來，深度學習技術(shù)與農(nóng)業(yè)科技相融合，使病蟲害識別更智能化、便捷化、精確化?；谏疃葘W習的農(nóng)作物病蟲害研究技術(shù)日趨完善，涵蓋了10 余種農(nóng)作物的20 余種病蟲害。深度學習技術(shù)的優(yōu)勢之一是具有良好的自動特征提取功能［15］，其中，應用最廣泛的算法是CNN［16］，具有很強的泛化能力，無需特意設計分類器。

2.1 技術(shù)應用流程

基于深度學習的農(nóng)作物病蟲害識別大致包括病蟲害數(shù)據(jù)集的創(chuàng)建、數(shù)據(jù)預處理、模型選取與訓練、模型評價與驗證幾個步驟（圖2）。

2.1.1 數(shù)據(jù)集創(chuàng)建 數(shù)量大、質(zhì)量高且標簽完備的數(shù)據(jù)集對網(wǎng)絡模型的訓練大有裨益。自2015 年以來，已經(jīng)建立了許多公開的圖像數(shù)據(jù)集，如PlantVillage［17］、ImageNet［17］和Corn Leaf Diseases（NLB）［17］等，但是高質(zhì)量的公共圖像數(shù)據(jù)集仍然缺乏［17］。PlantVillage 提供了幾十種植物健康和患病狀態(tài)圖像［18］（圖3）。余小東等［19］采用“AI Challenger 2018”農(nóng)作物病蟲害數(shù)據(jù)集，開展了基于遷移學習的農(nóng)作物病蟲害檢測研究。

圖3 玉米常見病害Fig.3 Common diseases of maize

獲取農(nóng)作物病蟲害圖像的方法有田間實地拍攝、公開數(shù)據(jù)集、網(wǎng)絡搜集、參加相關(guān)會議或研討會進行交流等［20］?？筛鶕?jù)實際需求，采用相機或智能手機自行采集、從網(wǎng)絡下載或使用高光譜成像儀獲取等。在病蟲害識別研究中，常用數(shù)據(jù)圖像是由專業(yè)相機、智能手機拍攝的RGB 圖像。隨著傳感器及遙感技術(shù)的發(fā)展，農(nóng)業(yè)領(lǐng)域圖像數(shù)據(jù)更加多元化，為網(wǎng)絡訓練提供了極大便利［21］。

2.1.2 數(shù)據(jù)預處理 數(shù)字圖像常存在噪聲。農(nóng)作物病蟲害圖像背景復雜，病害部位與健康部位可能無明顯的界線；同時，也可能存在病害面積較小、不易識別等情況，給病害的精準識別、分類研究帶來了很大挑戰(zhàn)［22］。數(shù)據(jù)預處理主要是為了消除數(shù)字圖像中的噪聲，增進特征提?。?0］的有效性與準確性。圖像預處理［23］主要包括平滑濾波、消除噪音、圖像增強等操作，以實現(xiàn)二值化［24］，區(qū)分目標與背景。深度學習網(wǎng)絡模型訓練需要大量的數(shù)據(jù)樣本。為了擴大數(shù)據(jù)集，數(shù)據(jù)增強是一種常用技術(shù)［25］，包括鏡像、旋轉(zhuǎn)、隨機裁剪、添加噪聲和光度變換等（圖4）。數(shù)據(jù)增強可以使CNN 模型具有更好的泛化能力，提高模型的魯棒性［26］。

圖4 數(shù)據(jù)增強Fig.4 Data augmentation

2.1.3 網(wǎng)絡架構(gòu)選擇 由于深度學習在眾多領(lǐng)域均成功應用，國內(nèi)外學者將深度學習與農(nóng)業(yè)領(lǐng)域高度融合，使CNN 等技術(shù)得到廣泛應用。CNN 基本結(jié)構(gòu)包括卷積層、池化層［27-28］、激活函數(shù)［28］、歸一化層［28］和全連接層［28-29］等。農(nóng)作物病蟲害圖像特征可以通過卷積層提取，應用池化層減少數(shù)據(jù)量并保留有用特征，通過完全連接層利用權(quán)重矩陣重建局部特征［21］。

農(nóng)作物病蟲害識別相關(guān)研究中常用CNN 模型有LeNet［7］、AlexNet［13］、VGG［30］、ResNet［31］、GoogLeNet［32］、DenseNet［33］和YOLO［34］等，各自具有獨特的優(yōu)勢（表1）。根據(jù)模型的復雜度，深度學習技術(shù)可分為基于簡單網(wǎng)絡（如LeNet、AlexNet）與復雜網(wǎng)絡的病害識別技術(shù)。LeNet 是早期的神經(jīng)網(wǎng)絡，具7 層神經(jīng)網(wǎng)絡結(jié)構(gòu)，參數(shù)量較少，但識別效率較高；AlexNet 由5 個卷積層和3 個全連接層構(gòu)成，網(wǎng)絡性能較LeNet 有所提升；VGG 是較為成熟的CNN 結(jié)構(gòu)。GoogleNet（Inception）采用不同大小的卷積核和池化層來解決網(wǎng)絡規(guī)模可能造成的過擬合問題；ResNet 通過殘差塊解決梯度爆炸和梯度彌散問題，可以構(gòu)建更深層次的網(wǎng)絡架構(gòu)；DenseNet 的特色在于加強了特征傳遞，更加有效地利用特征；YOLO 作為目標檢測算法，具備體積小，背景誤檢率低等優(yōu)點。如何選擇并構(gòu)建合適的網(wǎng)絡模型，必須掌握網(wǎng)絡模型特點，構(gòu)建適用的網(wǎng)絡結(jié)構(gòu)。

表1 常用神經(jīng)網(wǎng)絡模型比較Tab.1 Comparison of neural networks in common use

2.1.4 模型評價與驗證 基于深度學習的農(nóng)作物病蟲害監(jiān)測識別中，常用于評價分類模型的指標主要有準確度、靈敏度、特異性、精確度和F1分數(shù)等［38］。

準確性（accuracy）是正確預測占所有預測的比例，

其中，TP（true positive）是被網(wǎng)絡模型預測為正類的正樣本，TN（true negative）是被網(wǎng)絡模型預測為負類的負樣本，F(xiàn)P（false positive）是被網(wǎng)絡模型預測為正類的負樣本，F(xiàn)N（false negative）是被網(wǎng)絡模型預測為負類的正樣本。

靈敏度（sensitivity）［38］是TP 與（TP+FN）的比值，表達了在數(shù)據(jù)集中找到所有相關(guān)實例的能力，

特異性（specificity）為真陰性評價的數(shù)量除以所有預測為陰性評價的數(shù)量，

精確度（precision）是對網(wǎng)絡模型判斷出的所有正例（TP+FP）來說，真正例（TP）占的比例，

當在精確度和靈敏度之間尋求平衡時，F(xiàn)1-Score 能更好地衡量不正確分類的情況。F1-Score 可以表示為

當精確度值高，說明錯誤率低，網(wǎng)絡模型分類效果好；F1-Score 值越高，說明網(wǎng)絡模型分類效果越好［38］。如果模型性能參數(shù)接近于1，即模型達到穩(wěn)態(tài)，則該模型的性能更好。

2.2 深度學習在農(nóng)作物病蟲害研究中的應用現(xiàn)狀

2.2.1 模型架構(gòu)與性能比較 AlexNet 的誕生掀起了深度學習的熱潮（表2）。AlexNet 采用ReLu 函數(shù)替換傳統(tǒng)的sigmoid、tanh 函數(shù)作為激活函數(shù)提升了訓練速度，使用隨機丟棄技術(shù)（dropout）選擇性地忽略訓練中的單個神經(jīng)元緩解過擬合。AlexNet 參數(shù)量巨大，需要GPU 進行特征圖的運算和融合。由于模型卷積核與部分特征進行卷積獲取特征，模型泛化能力會有所降低，可以通過數(shù)據(jù)增強、增加網(wǎng)絡深度改進訓練以增強模型分類精度。VGG 通過將卷積層堆疊改進AlexNet，成功構(gòu)建16～19 層卷積神經(jīng)網(wǎng)絡，表明網(wǎng)絡深度增加可以對網(wǎng)絡性能造成一定的影響，提高網(wǎng)絡的準確率；缺點是會耗費更多的計算資源，相對其他網(wǎng)絡而言，網(wǎng)絡參數(shù)量非常高。GoogLeNet（Inception Net）通過堆疊卷積層模塊，增加網(wǎng)絡的寬度提升網(wǎng)絡的性能，去除最后的全連接層，采用了全局平均池化層，同時采用Inception Module，提高了參數(shù)的利用率。

表2 基于深度學習網(wǎng)絡的農(nóng)作物病蟲害研究Tab.2 Studies on crop diseases and pests based on deep learning

隨著神經(jīng)網(wǎng)絡深度越來越深，精度達到了飽和，梯度就會出現(xiàn)爆炸或者消失；通過采用ResNet 殘差思想，不采用全連接的方式，可以在一定程度上解決上述問題。使用ResNet，可以設計更深的CNN 網(wǎng)絡而不損失網(wǎng)絡的生成能力，解決了深層網(wǎng)絡模型的梯度爆炸和梯度消失問題，并不斷得到改進，出現(xiàn)了DenseNet、ResNeXt［45］等。DenseNet 是將所有層彼此連接起來，每一層都接受其前面所有層作為額外的輸入，緩解了梯度消失的問題，并減少了計算量；但是DenseNet 耗費GPU 算力，普通顯卡無法存儲更深層次的DenseNet 模型，需要對其進行細致優(yōu)化。

隨著人工智能的發(fā)展，出現(xiàn)了輕量級卷積神經(jīng)網(wǎng)絡，可在計算資源受限的移動端和嵌入式應用CNN，如ShuffleNet、SqueezeNet 和MobileNet 等。ShuffleNet 存儲要求低，訓練時間短，但仍然可以實現(xiàn)較高的精度［42］。MobileNet 是利用深度可分離式卷積網(wǎng)絡，將標準卷積分解成深度卷積與逐點卷積，大幅度地降低模型的參數(shù)量和運算量。李玲等［43］基于改進的MobileNet 模型，實現(xiàn)了蘋果斑點落葉病、褐斑病、灰斑病、花葉病與銹病的識別，平均準確率達到99%。除此之外，自編碼器、GAN、RNN 等其他網(wǎng)絡結(jié)構(gòu)也被用于病蟲害研究（表2）。賈俊杰和李捷［46］利用訓練好的SS-GAN 網(wǎng)絡，生成病蟲害的仿真圖像，有效地解決數(shù)據(jù)集不足的問題，獲得不錯的圖像識別效果。

2.2.2 網(wǎng)絡架構(gòu)選擇及超參數(shù)優(yōu)化 在農(nóng)業(yè)領(lǐng)域中，應用最普遍的深度學習技術(shù)為CNN。在實際應用CNN 中有一定的局限性，容易出現(xiàn)梯度消失或爆炸問題［59］。在構(gòu)建模型時，可采用優(yōu)化算法改善模型的性能。當出現(xiàn)梯度爆炸時，可采用合理的初始化參數(shù)、選用非線性激活函數(shù)（如ReLU）、進行批量規(guī)范化處理或者使用殘差網(wǎng)絡等。

通常采用的神經(jīng)網(wǎng)絡優(yōu)化方法有Adam、隨機梯度下降法［38］等，使用正則化技巧［60］、超參數(shù)調(diào)優(yōu)等。隨機梯度下降法是在每輪的迭代中，隨機選擇一組樣本進行訓練并按梯度進行更新，相比普通的梯度下降更為快速，效率更高，并可實現(xiàn)在線更新，沒有計算冗余。Thenmozhi 等［39］采用隨機梯度下降法對CNN 進行優(yōu)化，對昆蟲進行分類，并與其他深度學習體系結(jié)構(gòu)（AlexNet、ResNet、GoogleNet 和VGG）進行比較，結(jié)果表明優(yōu)化后的CNN 識別精度更高。

在訓練神經(jīng)網(wǎng)絡模型時，過擬合也會對網(wǎng)絡的性能造成一定的影響。造成過擬合的原因主要有訓練集的數(shù)量級和模型的復雜度不匹配、學習迭代的次數(shù)過多、訓練集的數(shù)量級小于模型的復雜度。為了避免過擬合問題，可以采用縮小網(wǎng)絡寬度和減少網(wǎng)絡深度適當?shù)卣{(diào)小模型復雜度，也可以采用數(shù)據(jù)增強技術(shù)增加數(shù)據(jù)量，使其與自己訓練集的數(shù)量級相匹配。

2.3 基于遷移學習的玉米葉片病害研究實例

以玉米葉片銹病、大小斑病和灰斑病研究為例，采用遷移學習構(gòu)建DenseNet121，優(yōu)化器為Adam，采用交叉熵損失函數(shù)。模型訓練的迭代次數(shù)分別設置為100、150 和200。每經(jīng)過10 次迭代，學習率減半。模型batchsize 設置為32 和64。實驗共4 組，進行對比實驗，選出更適合本研究的超參數(shù)。

實驗的數(shù)據(jù)集由公開數(shù)據(jù)集、實地拍攝和網(wǎng)絡下載的圖像構(gòu)成。經(jīng)數(shù)據(jù)擴充后，玉米健康葉片圖像為3 324 張，銹病圖像3 717 張，大小斑病圖像3 286 張，灰斑病圖像3 330 張，共計13 657 張。研究中按8∶2的比例隨機劃分數(shù)據(jù)集為訓練集與測試集。選用DenseNet121 進行玉米葉片病害的識別分類，對神經(jīng)網(wǎng)絡模型中的超參數(shù)進行設置，進行對比實驗。

通過對不同的迭代次數(shù)和batchsize 進行設置，得到不同的識別準確率。不同的batchsize 對訓練結(jié)果有很大的影響（圖5，表3），batchsize 為64 時效果較好。因此，確定batchsize 為64 進行不同迭代的對比實驗（圖5，表4）。在實驗中，batchsize 為64 時模型收斂效果較好，準確率可達99.1%。迭代次數(shù)也影響模型的識別準確率，隨著迭代次數(shù)的增加，模型的準確率有所提高。通過對比模型訓練結(jié)果，可以發(fā)現(xiàn)模型迭代次數(shù)設置為200、batchsize 為64 時模型識別準確率最高，可達到99.4%。

表3 不同batchsize 時訓練集和測試集識別準確率Tab.3 Identification accuracy of train data and test data with different batchsize

表4 不同迭代次數(shù)時訓練集和測試集識別準確率Tab.4 Identification accuracy of train data and test data with different epoch

圖5 不同batchsize 的模型訓練效果Fig.5 Model training results for different batchsize

3 深度學習在農(nóng)作物病蟲害研究中面臨的問題及研究展望

3.1 深度學習模型訓練中存在的問題

隨著深度學習在農(nóng)作物病蟲害識別中的廣泛應用，一些問題也逐漸顯露。如在深度學習網(wǎng)絡模型訓練中存在的問題。（1）數(shù)據(jù)資源少。采用深度學習技術(shù)進行病蟲害識別時，需要龐大的數(shù)據(jù)資源，數(shù)據(jù)的質(zhì)量直接影響模型訓練與驗證。在創(chuàng)建數(shù)據(jù)集時，高質(zhì)量、完整標注、大規(guī)模的數(shù)據(jù)集對網(wǎng)絡訓練非常重要［25］。但是，在農(nóng)業(yè)領(lǐng)域，還缺乏相應的大量標簽數(shù)據(jù)集，建立相關(guān)數(shù)據(jù)庫是一難題。（2）數(shù)據(jù)預處理耗時長。病蟲害圖像背景復雜，可能包含一些無用信息，尤其是實地拍攝的照片，還可能存在光照、角度等因素的影響［61］，使數(shù)據(jù)預處理過程耗時較長。（3）模型訓練時間長。當采用深度學習技術(shù)識別農(nóng)作物病蟲害時，需要對大量網(wǎng)絡模型參數(shù)進行調(diào)整，網(wǎng)絡模型訓練時長達十幾個小時甚至更久，才能獲得最佳識別精度。（4）深度學習網(wǎng)絡可能會出現(xiàn)梯度消失問題。為了獲得更好的性能，神經(jīng)網(wǎng)絡的加深，可能會引起梯度消失問題，還可能出現(xiàn)過擬合問題。

3.2 數(shù)據(jù)集建設問題

數(shù)據(jù)集的多樣性、多源性和規(guī)模對深度學習網(wǎng)絡的性能有重大影響。擁有大規(guī)模數(shù)據(jù)集對于提高機器學習模型性能是非常必要的，公共圖像數(shù)據(jù)集的稀缺性是影響深度學習在農(nóng)業(yè)領(lǐng)域發(fā)展的重要因素。目前，農(nóng)業(yè)領(lǐng)域的數(shù)據(jù)集相對較少且單一，建成資源充足且多樣化的數(shù)據(jù)集，可大大縮短數(shù)據(jù)獲取和模型優(yōu)化所需時間：（1）建設包含農(nóng)作物不同生育時期病蟲害圖像數(shù)據(jù)集；（2）完善重要農(nóng)作物數(shù)據(jù)集整理，如玉米各生長發(fā)育時期病蟲害圖像（如蚜蟲、螟蟲、紅蜘蛛、粘蟲等）數(shù)據(jù)集匯總；（3）建立多源數(shù)據(jù)集，根據(jù)圖像獲取途徑的不同，可通過智能手機、數(shù)碼相機、無人機、多光譜、高光譜遙感等手段，建設相應的數(shù)據(jù)庫；（4）建設不同病害類型的數(shù)據(jù)庫，包括細菌性、真菌性、病毒性、生理性等農(nóng)作物病害類型；（5）相較于病害數(shù)據(jù)庫，蟲害數(shù)據(jù)集更為少見，需要建立重要農(nóng)作物蟲害的數(shù)據(jù)集，例如常見的玉米螟、紅蜘蛛、粘蟲、雙斑熒葉甲等；（6）采用深度學習的方法擴充數(shù)據(jù)集，可使用GAN（generative adversarial network）對病蟲害數(shù)據(jù)集進行擴充，探索使用CycleGAN 實現(xiàn)圖像風格遷移，由健康葉片轉(zhuǎn)移生成為病害圖片。

3.3 模型性能提升問題

訓練網(wǎng)絡模型時，可以進行網(wǎng)絡結(jié)構(gòu)優(yōu)化以提高網(wǎng)絡模型性能。研究表明，在模型訓練時，對模型結(jié)構(gòu)進行優(yōu)化，可以提升模型分類精度、減少模型運行時間、減少計算量等。常用優(yōu)化手段有添加正則項、添加Dropout 層、改變池化組合、添加Inception 塊、融合多尺度特征、使用密集連接、使用非線性（如ReLu）函數(shù)等減少訓練參數(shù)。

3.4 農(nóng)業(yè)病蟲害研究中深度學習技術(shù)的發(fā)展趨勢

在深度學習領(lǐng)域中，很多學者使用遷移學習（transfer learning）開展研究工作［62］。遷移學習是將在某個任務上訓練出來的網(wǎng)絡模型參數(shù)，經(jīng)過微調(diào)后直接運用到新的任務中。遷移學習的好處包括：（1）減少模型訓練時間，使模型的泛化能力得到提高；（2）降低訓練費用，采用導出特征向量的方法進行遷移學習，后期的網(wǎng)絡模型訓練費用會很低，電腦運行壓力減小，在沒有深度學習機器的情況下也可以進行遷移學習；（3）適用于小數(shù)據(jù)集，遷移學習利用CNN 在大數(shù)據(jù)集上已經(jīng)訓練獲得的特征提取能力，可以最大效率地使用某些任務的無標簽數(shù)據(jù)，解決部分數(shù)據(jù)不足或原有數(shù)據(jù)不存在的問題。

基于深度學習的農(nóng)作物病蟲害識別、監(jiān)測研究與應用進展，建議未來開展以下研究工作：（1）構(gòu)建病蟲害圖像數(shù)據(jù)庫，大規(guī)模數(shù)據(jù)集對于提高網(wǎng)絡模型的性能是非常重要的，尤其是農(nóng)作物蟲害數(shù)據(jù)更少，是農(nóng)業(yè)領(lǐng)域相關(guān)研究進展緩慢一個重要原因；（2）利用遷移學習思想進行農(nóng)作物病蟲害識別，更有效地使用可利用的數(shù)據(jù)，提高模型的泛化能力；（3）優(yōu)化深度學習神經(jīng)網(wǎng)絡架構(gòu)，由于網(wǎng)絡模型對于背景復雜，成像模糊的圖像識別精度不高，應積極優(yōu)化、改進模型，例如添加Inception 模塊、擴展卷積層、增加網(wǎng)絡深度等；（4）構(gòu)建移動深度學習平臺，輕量化網(wǎng)絡結(jié)構(gòu)，研究應與實際需求相結(jié)合，以病蟲害圖像識別技術(shù)為核心，注重研發(fā)輕量級、移動端可用的病蟲害防治的軟件；（5）農(nóng)作物病蟲害圖像分割是研究熱點和難點，蟲害圖像識別相對于病害圖像識別發(fā)展較慢，混合病害研究尚屬罕見，農(nóng)作物病害區(qū)域可能與健康區(qū)域沒有明顯的界線，同一植株葉片也可能有多種病害，病蟲害特征的定位、識別和混合病害的研究將是今后一段時間內(nèi)的研究重點，農(nóng)作物病蟲害圖像分割領(lǐng)域應引入最新科技，尋求最有效的圖像識別方法［63］；（6）近地無人機遙感、高分辨率衛(wèi)星遙感與地面觀測技術(shù)高度融合，實現(xiàn)大面積農(nóng)作物病蟲害的識別與檢測。

4 結(jié)論

深度學習技術(shù)的研究與應用正處于高速發(fā)展階段，為農(nóng)作物病蟲害檢測與識別分類提供了新的研究思路與方法。目前研究的主要數(shù)據(jù)源為使用專業(yè)相機、手機獲取的彩色圖像?；贑NN 架構(gòu)改進或自建CNN 是農(nóng)作物病蟲害識別的核心技術(shù)，以CNN 為骨干的深度學習技術(shù)簡單高效，發(fā)展較快且較為成熟，基于遷移學習的深度學習技術(shù)是農(nóng)作物病蟲害研究的熱點。基于神經(jīng)網(wǎng)絡的深度學習技術(shù)已被廣泛應用于農(nóng)作物病蟲害的識別和分類，并顯示出巨大的應用潛力?；谏疃葘W習圖像目標檢測與識別技術(shù)有助于病蟲害識別，做到及時防治，降低對農(nóng)作物產(chǎn)量和品質(zhì)的影響，對于保障農(nóng)業(yè)高質(zhì)量生產(chǎn)、推動農(nóng)業(yè)綠色發(fā)展具有重要意義。