基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究綜述*

駱潤(rùn)玫 王衛(wèi)星,2

基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究綜述*

駱潤(rùn)玫1王衛(wèi)星1,2

（1.華南農(nóng)業(yè)大學(xué)電子工程學(xué)院/人工智能學(xué)院，廣東 廣州 510642 2.廣東省農(nóng)情信息監(jiān)測(cè)工程技術(shù)中心，廣東 廣州 510642）

植物病蟲害嚴(yán)重影響植物的生長(zhǎng)與生產(chǎn)，對(duì)其進(jìn)行及時(shí)精準(zhǔn)的識(shí)別與管控，能有效提升植物的產(chǎn)量和質(zhì)量。近年來(lái)，深度學(xué)習(xí)發(fā)展迅猛，卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的代表算法之一，具有較好的圖像分類和識(shí)別能力，廣泛應(yīng)用于植物病蟲害的識(shí)別研究。對(duì)近幾年基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究進(jìn)行綜述；簡(jiǎn)要介紹幾種基礎(chǔ)網(wǎng)絡(luò)的模型結(jié)構(gòu)、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法、卷積神經(jīng)網(wǎng)絡(luò)與其他方法的結(jié)合應(yīng)用等；探討目前基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究的熱點(diǎn)難點(diǎn)，并對(duì)其應(yīng)用前景進(jìn)行展望。

卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；病蟲害識(shí)別；模型優(yōu)化

0 引言

植物病蟲害是影響植物生長(zhǎng)與生產(chǎn)的主要因素之一，及時(shí)發(fā)現(xiàn)并識(shí)別植物病蟲害，對(duì)其進(jìn)行有效管控，能減少生產(chǎn)損失，提升植物的產(chǎn)量和質(zhì)量[1]。傳統(tǒng)的植物病蟲害識(shí)別方法需要人工觀察作物病癥并鑒定識(shí)別，耗費(fèi)大量時(shí)間，且相關(guān)的專業(yè)鑒定需要高額費(fèi)用[2]。

為解決這一問(wèn)題，基于機(jī)器學(xué)習(xí)的植物病蟲害識(shí)別研究受到廣泛關(guān)注。但機(jī)器學(xué)習(xí)算法仍需手動(dòng)進(jìn)行特征提取，操作繁瑣且提取抽象特征較難，算法識(shí)別精度難以提升。此后，具有強(qiáng)大圖像處理能力的深度學(xué)習(xí)發(fā)展迅猛[3]，并廣泛應(yīng)用于植物病蟲害的識(shí)別研究[4]。深度學(xué)習(xí)方法使用的卷積神經(jīng)網(wǎng)絡(luò)模型較多，這些網(wǎng)絡(luò)模型在大規(guī)模識(shí)別任務(wù)中，已能實(shí)現(xiàn)優(yōu)于相關(guān)專家的識(shí)別準(zhǔn)確度[5]。

隨著深度學(xué)習(xí)的快速發(fā)展，網(wǎng)絡(luò)結(jié)構(gòu)也不斷優(yōu)化，基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究，具有識(shí)別準(zhǔn)確性高、魯棒性強(qiáng)、泛化性好等特點(diǎn)[6]；但仍存在一些挑戰(zhàn)，如深度卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算參數(shù)量大，需進(jìn)行大量的實(shí)驗(yàn)以確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。此外，高效的深度學(xué)習(xí)算法仍依賴大規(guī)模的數(shù)據(jù)集，在實(shí)際應(yīng)用中需獲取足夠大的樣本數(shù)據(jù)集，以提高識(shí)別準(zhǔn)確率[7]。

現(xiàn)有的一些研究方法，在一定程度上解決了以上問(wèn)題。如利用遷移學(xué)習(xí)方法，節(jié)約網(wǎng)絡(luò)訓(xùn)練時(shí)間，減少計(jì)算資源浪費(fèi)[8]；將淺層的卷積神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)算法結(jié)合，在保障識(shí)別準(zhǔn)確率的前提下降低網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度[2]等。本文對(duì)近年來(lái)基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究進(jìn)行綜述，分別從卷積神經(jīng)網(wǎng)絡(luò)模型、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化和卷積神經(jīng)網(wǎng)絡(luò)與其他方法的結(jié)合等3個(gè)方面進(jìn)行介紹，并展望未來(lái)的發(fā)展趨勢(shì)。

1 卷積神經(jīng)網(wǎng)絡(luò)模型

基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究中，常用的基礎(chǔ)網(wǎng)絡(luò)有AlexNet[9]、VGGNet[10]、Inception[11]和ResNet[12]。

1.1 AlexNet網(wǎng)絡(luò)

AlexNet網(wǎng)絡(luò)是2012年ILSVRC[13]比賽的冠軍模型，包括5個(gè)卷積層、3個(gè)匯聚層和3個(gè)全連接層，結(jié)構(gòu)如圖1所示。

該網(wǎng)絡(luò)使用數(shù)據(jù)增強(qiáng)提升模型準(zhǔn)確率，利用Dropout防止過(guò)擬合，用ReLU代替飽和非線性函數(shù)，降低模型的計(jì)算復(fù)雜度，提升訓(xùn)練速度[14]。由于網(wǎng)絡(luò)規(guī)模超出當(dāng)時(shí)單個(gè)GPU的內(nèi)存限制，該模型將網(wǎng)絡(luò)結(jié)構(gòu)拆成2部分，分別放在2個(gè)GPU上進(jìn)行并行訓(xùn)練，不僅解決了GPU的內(nèi)存限制問(wèn)題，還提高了訓(xùn)練速度[9]。隨著深度學(xué)習(xí)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)越來(lái)越復(fù)雜，網(wǎng)絡(luò)層數(shù)也不斷增加，使用多個(gè)GPU進(jìn)行并行訓(xùn)練的優(yōu)勢(shì)也更加明顯。AlexNet網(wǎng)絡(luò)展示了卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的圖像識(shí)別能力，推進(jìn)了深度學(xué)習(xí)的發(fā)展。

圖1 KRIZHEVSKY等設(shè)計(jì)的AlexNet網(wǎng)絡(luò)模型結(jié)構(gòu)[9]

1.2 VGGNet網(wǎng)絡(luò)

VGGNet網(wǎng)絡(luò)模型結(jié)構(gòu)比較簡(jiǎn)單，由卷積層堆疊模塊、最大池化層以及全連接層等構(gòu)成，結(jié)構(gòu)如圖2所示。

圖2 SIMONYAN等設(shè)計(jì)的VGGNet網(wǎng)絡(luò)模型結(jié)構(gòu)[10]

1.3 Inception網(wǎng)絡(luò)

Inception網(wǎng)絡(luò)由多個(gè)Inception模塊和少量匯聚層堆疊而成。Inception模塊能改進(jìn)網(wǎng)絡(luò)內(nèi)部計(jì)算資源的利用率，進(jìn)一步提升網(wǎng)絡(luò)性能，結(jié)構(gòu)如圖3所示，其中圖3(b)為圖3(a)的改進(jìn)結(jié)構(gòu)。

圖3 SZEGEDY等設(shè)計(jì)的2種Inception模塊結(jié)構(gòu)[11]

Inception網(wǎng)絡(luò)有多個(gè)版本，最早的InceptionV1版本即著名的GoogLeNet網(wǎng)絡(luò)，是ILSVRC 2014的冠軍模型，由9個(gè)Inception模塊和5個(gè)匯聚層以及其他卷積層和全連接層構(gòu)成，共22層網(wǎng)絡(luò)。該網(wǎng)絡(luò)在計(jì)算需求適度增加時(shí)能獲得顯著的性能提升，訓(xùn)練速度比VGGNet網(wǎng)絡(luò)更快[11]。InceptionV3網(wǎng)絡(luò)用多層的小卷積核替換大卷積核，減少卷積計(jì)算量和計(jì)算參數(shù)，還引入標(biāo)簽平滑和批量歸一化等優(yōu)化方法訓(xùn)練[16]。Inception網(wǎng)絡(luò)有效解決了由于網(wǎng)絡(luò)加深、加寬所造成的計(jì)算資源消耗問(wèn)題，為卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的發(fā)展提供了新思路。

1.4 ResNet網(wǎng)絡(luò)

ResNet網(wǎng)絡(luò)是ILSVRC 2015的冠軍模型。該網(wǎng)絡(luò)提出殘差結(jié)構(gòu)，通過(guò)給非線性的卷積層增加直連邊的方法提高信息傳播效率，并使高層的梯度能直接回傳，解決深層網(wǎng)絡(luò)梯度消失的問(wèn)題，結(jié)構(gòu)如圖4所示。

圖4 HE等設(shè)計(jì)的殘差網(wǎng)絡(luò)結(jié)構(gòu)[12]

該殘差結(jié)構(gòu)直接將輸入信息繞道傳到輸出，保護(hù)了信息的完整性，整個(gè)網(wǎng)絡(luò)只需學(xué)習(xí)輸入、輸出的差別部分，有效簡(jiǎn)化了網(wǎng)絡(luò)訓(xùn)練。ResNet網(wǎng)絡(luò)作者對(duì)不同深度的ResNet網(wǎng)絡(luò)性能進(jìn)行評(píng)估，驗(yàn)證了通過(guò)大幅提升網(wǎng)絡(luò)結(jié)構(gòu)深度可有效提升網(wǎng)絡(luò)識(shí)別精度[12]。ResNet網(wǎng)絡(luò)的拓展性好，可直接用于其他網(wǎng)絡(luò)，且網(wǎng)絡(luò)訓(xùn)練速度快、易優(yōu)化。目前，許多研究者對(duì)ResNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，出現(xiàn)很多優(yōu)秀的基于殘差結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)[17]。

1.5 對(duì)比與總結(jié)

本文對(duì)常用基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)、網(wǎng)絡(luò)性能改進(jìn)方法進(jìn)行簡(jiǎn)單對(duì)比，結(jié)果如表1所示。

表1 常用基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比結(jié)果

這些基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用時(shí)仍存在局限性，面對(duì)過(guò)于復(fù)雜的圖像時(shí)，網(wǎng)絡(luò)模型無(wú)法快速、準(zhǔn)確地識(shí)別圖像特征[23]。在實(shí)際應(yīng)用研究中，需根據(jù)實(shí)際情況對(duì)以上基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行相應(yīng)優(yōu)化，以提高網(wǎng)絡(luò)的準(zhǔn)確率、實(shí)用性、經(jīng)濟(jì)性。

2 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

卷積神經(jīng)網(wǎng)絡(luò)具有自動(dòng)提取圖像特征、泛化能力強(qiáng)、識(shí)別準(zhǔn)確率高等特點(diǎn)，廣泛應(yīng)用于復(fù)雜視覺圖像處理任務(wù)[24-25]。在植物病蟲害識(shí)別研究中，國(guó)內(nèi)外學(xué)者在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化上做了許多有益的探索，取得很多研究成果[26-27]。

2.1 網(wǎng)絡(luò)結(jié)構(gòu)精煉與提速

許多研究者對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化改進(jìn)，在提高網(wǎng)絡(luò)準(zhǔn)確率的同時(shí)，有效精簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)、提高網(wǎng)絡(luò)訓(xùn)練速度。HAN等為解決卷積神經(jīng)網(wǎng)絡(luò)難以部署在有限硬件資源嵌入式系統(tǒng)的問(wèn)題，引入“深度壓縮”方法，包括減少參數(shù)數(shù)量、權(quán)重量化和霍夫曼編碼3個(gè)步驟，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行壓縮，使其能在有限的硬件資源上得以利用[28]，如圖5所示。

圖5 HAN設(shè)計(jì)的“深度壓縮”方法[28]

孫俊等將批量歸一化與全局池化相結(jié)合，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，提高模型的識(shí)別精度與魯棒性[29]。YUAN等將遷移學(xué)習(xí)與2種深度學(xué)習(xí)結(jié)構(gòu)AlexNet和VGGNet結(jié)合使用，解決可用標(biāo)簽數(shù)據(jù)有限的問(wèn)題，并引入批量歸一化與干擾標(biāo)簽技術(shù)，有效減少訓(xùn)練的迭代次數(shù)，避免過(guò)擬合問(wèn)題[30]。GINGH等受AlexNet網(wǎng)絡(luò)的啟發(fā)，提出具有更高分類精度的多層卷積神經(jīng)網(wǎng)絡(luò)，利用非線性激活函數(shù)、Dropout、最大池化層等方法提高網(wǎng)絡(luò)性能[31]。HANG等針對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、模型參數(shù)多等問(wèn)題，將初始模塊結(jié)構(gòu)、擠壓激勵(lì)模塊和全局池化層相結(jié)合，將卷積層的特征數(shù)據(jù)進(jìn)行多尺度融合，同時(shí)采用全局平均池化層替代全連接層，有效減少模型參數(shù)數(shù)量，提高網(wǎng)絡(luò)模型識(shí)別精度[32]。LV等基于AlexNet網(wǎng)絡(luò)，引入批量歸一化、PRelu激活函數(shù)、優(yōu)化器等提高網(wǎng)絡(luò)性能，結(jié)合拓展卷積和多尺度卷積提高網(wǎng)絡(luò)特征提取能力，并從不同角度驗(yàn)證了特征增強(qiáng)算法能有效提高網(wǎng)絡(luò)識(shí)別能力[33]。CHEN等利用帶有Inception模塊的VGGNet增強(qiáng)模型，研究植物葉片病害識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)，考慮先從典型的海量數(shù)據(jù)集學(xué)習(xí)預(yù)訓(xùn)練模型，再遷移到自己的數(shù)據(jù)訓(xùn)練特定任務(wù)，實(shí)驗(yàn)結(jié)果表明該方法能有效改進(jìn)網(wǎng)絡(luò)識(shí)別性能[34]。AI等設(shè)計(jì)一種混合網(wǎng)絡(luò)模型Inception-ResNet-v2，不僅含有殘差結(jié)構(gòu)的深度優(yōu)勢(shì)，還保留Inception結(jié)構(gòu)的特點(diǎn)，提升網(wǎng)絡(luò)識(shí)別精度，有效應(yīng)用于植物病蟲害的識(shí)別[35]。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化與數(shù)據(jù)增強(qiáng)技術(shù)

數(shù)據(jù)增強(qiáng)技術(shù)可增加數(shù)據(jù)的多樣性，將數(shù)據(jù)增強(qiáng)技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，可有效提高網(wǎng)絡(luò)識(shí)別性能。王敬賢等針對(duì)小樣本訓(xùn)練深度網(wǎng)絡(luò)產(chǎn)生的過(guò)擬合問(wèn)題，研究基于淺層卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別方法，并利用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充數(shù)據(jù)集，將深度卷積神經(jīng)網(wǎng)絡(luò)模型與基于瓶頸層特征提取的遷移學(xué)習(xí)技術(shù)相結(jié)合，提升網(wǎng)絡(luò)模型識(shí)別性能[36]。JIANG等利用數(shù)據(jù)增強(qiáng)技術(shù)和圖像注釋技術(shù)構(gòu)建蘋果葉病數(shù)據(jù)集，通過(guò)引入Inception結(jié)構(gòu)和Rainbow concatenation連接方式，提出基于深度神經(jīng)網(wǎng)絡(luò)的蘋果葉病檢測(cè)模型，檢測(cè)速度快、準(zhǔn)確性高[37]。GEETHARAMANI等提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害識(shí)別模型，采用圖像翻轉(zhuǎn)、伽馬校正、噪聲注入、主成分分析顏色增強(qiáng)、旋轉(zhuǎn)和縮放6種數(shù)據(jù)增強(qiáng)方法，與流行的遷移學(xué)習(xí)方法進(jìn)行比較，驗(yàn)證該模型性能更優(yōu)[38]。ARUN等利用基于圖像處理和深度學(xué)習(xí)的圖像增強(qiáng)技術(shù)對(duì)植物葉片病害數(shù)據(jù)集進(jìn)行增強(qiáng)，并利用遷移學(xué)習(xí)技術(shù)研究數(shù)據(jù)增強(qiáng)技術(shù)性能，實(shí)驗(yàn)結(jié)果表明，使用生成對(duì)抗網(wǎng)絡(luò)（GAN）和神經(jīng)樣式轉(zhuǎn)移（NST）技術(shù)的增強(qiáng)數(shù)據(jù)集獲得更高準(zhǔn)確率[39]。ZENG等利用深度卷積生成對(duì)抗網(wǎng)絡(luò)將原始訓(xùn)練數(shù)據(jù)集增加了2倍，采用Incep- tion_v3模型進(jìn)行識(shí)別，平均準(zhǔn)確率為92.60%，比利用原始訓(xùn)練數(shù)據(jù)集訓(xùn)練的識(shí)別準(zhǔn)確率提高近20%[40]。WU等提出一種深度卷積生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法，有效擴(kuò)大數(shù)據(jù)集、增加特征多樣性，具有較好的泛化能力，top-1的平均識(shí)別準(zhǔn)確率可達(dá)94.33%[41]，主要流程如圖6所示。

圖6 WU等提出的生成對(duì)抗網(wǎng)絡(luò)的主要流程[41]

2.3 引入注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)

許多研究者發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制相結(jié)合，能有效提高網(wǎng)絡(luò)性能。NIE等提出一種新的注意力機(jī)制應(yīng)用于病害檢測(cè)的特征提取網(wǎng)絡(luò)，與傳統(tǒng)的病害檢測(cè)網(wǎng)絡(luò)相比，性能更好，在4個(gè)類別的目標(biāo)檢測(cè)中為77.54%，草莓黃萎病檢測(cè)的準(zhǔn)確率為99.95%[42]。侯金秀等針對(duì)多種植物葉片病害識(shí)別提出一種融合通道信息注意力網(wǎng)絡(luò)模型，利用以殘差結(jié)構(gòu)為主的基礎(chǔ)網(wǎng)絡(luò)提取特征，并將提取的特征通過(guò)注意力網(wǎng)絡(luò)融合，對(duì)病害特征重新標(biāo)定，在交叉熵函數(shù)中添加約束條件加快模型收斂速度[43]。融合后的網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確性比Resnet18、VGG_11和VGG_16網(wǎng)絡(luò)都高，且模型的復(fù)雜度僅為對(duì)比實(shí)驗(yàn)中最優(yōu)模型的一半。ZENG等提出一種自注意卷積神經(jīng)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)模型的抗干擾能力和魯棒性，并討論了自注意網(wǎng)絡(luò)的位置、通道大小、網(wǎng)絡(luò)數(shù)量等對(duì)識(shí)別性能的影響，為今后的研究提供啟示[44]。冷佳旭等通過(guò)特征融合、上下文學(xué)習(xí)和注意力機(jī)制等方法，提高小目標(biāo)檢測(cè)和識(shí)別性能，為小目標(biāo)檢測(cè)和識(shí)別的研究提供思路[45]。DAI等提出一種具有雙重注意力和拓?fù)淙诤蠙C(jī)制的生成對(duì)抗網(wǎng)絡(luò)，有效將不清晰圖像轉(zhuǎn)化為清晰的高分辨率圖像，如圖7所示，提高農(nóng)業(yè)病害圖像分類的準(zhǔn)確率，并使用權(quán)值共享方案減少參數(shù)數(shù)量，提高網(wǎng)絡(luò)性能[46]。同年，DAI等又提出具有二次注意力和殘差密集融合機(jī)制的生成對(duì)抗網(wǎng)絡(luò)，并使用該網(wǎng)絡(luò)轉(zhuǎn)換低分辨率害蟲圖像，以提高分類準(zhǔn)確率[47]。

圖7 DAI等提出的DATFGAN網(wǎng)絡(luò)生成的超分辨率圖像[46]

2.4 針對(duì)特定環(huán)境的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化還可從其他方面進(jìn)行探索。LI等為構(gòu)建實(shí)時(shí)作物病蟲害視頻檢測(cè)系統(tǒng)，提出一種基于深度學(xué)習(xí)的自定義視頻檢測(cè)系統(tǒng)，可在視頻中檢測(cè)病蟲害，并驗(yàn)明其網(wǎng)絡(luò)模型比現(xiàn)有的其他卷積神經(jīng)網(wǎng)絡(luò)模型更適合于視頻檢測(cè)病蟲害[48]。NAZKI等提出一種在無(wú)監(jiān)督圖像翻譯環(huán)境中使用的生成式對(duì)抗網(wǎng)絡(luò)管道，以改善植物病害數(shù)據(jù)集中數(shù)據(jù)分布學(xué)習(xí)，將分類決策邊界向更好的性能轉(zhuǎn)移，并優(yōu)化自然圖像的特征激活，與經(jīng)典的數(shù)據(jù)增強(qiáng)方法（水平翻轉(zhuǎn)圖像、垂直翻轉(zhuǎn)圖像、縮放和旋轉(zhuǎn)等）相比，該方法能有效提高卷積神經(jīng)網(wǎng)絡(luò)的分類精度[49]。蒲秀夫等針對(duì)卷積神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間長(zhǎng)、參數(shù)量大的問(wèn)題，提出基于二值化卷積神經(jīng)網(wǎng)絡(luò)模型的植物病蟲害識(shí)別方法，試驗(yàn)以VGG16模型為基準(zhǔn)，采用深度網(wǎng)絡(luò)模型對(duì)植物病蟲害進(jìn)行分類，結(jié)果表明二值化模型的計(jì)算速度近似原模型的2倍，且在分割數(shù)據(jù)集下測(cè)試的平均識(shí)別準(zhǔn)確率達(dá)到96.8%[50]。DARWISH等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和正交學(xué)習(xí)粒子群優(yōu)化算法的植物病害診斷優(yōu)化模型，采用正交學(xué)習(xí)粒子群算法查找超參數(shù)的最佳值，并優(yōu)化這些超參數(shù)的數(shù)量，提高網(wǎng)絡(luò)訓(xùn)練速度和識(shí)別效果[51]。YUAN等針對(duì)傳統(tǒng)的基于卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)作物病葉圖像分割精度低的問(wèn)題，提出一種面向空間金字塔的編碼器-解碼器級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，對(duì)不同條件下的作物病葉圖像進(jìn)行實(shí)驗(yàn)，結(jié)果表明，該方法具有更高的分割精度，能有效提高作物病害識(shí)別的準(zhǔn)確率[52]。

2.5 小結(jié)

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的相關(guān)研究概述如表2所示。

表2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的相關(guān)研究概述

根據(jù)實(shí)際研究需求，對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，提升網(wǎng)絡(luò)模型識(shí)別性能。但隨著網(wǎng)絡(luò)性能的提升，網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度、部署在嵌入式設(shè)備所需的硬件資源也相應(yīng)增加。因此，如何在保障網(wǎng)絡(luò)性能的同時(shí)盡可能降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度、硬件需求等問(wèn)題仍需進(jìn)一步研究。

3 卷積神經(jīng)網(wǎng)絡(luò)與其他方法結(jié)合

近年來(lái)，在植物病蟲害識(shí)別的應(yīng)用研究中，將卷積神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，不僅提高網(wǎng)絡(luò)識(shí)別精度，還提高研究方法的實(shí)用性、便捷性和經(jīng)濟(jì)性。

3.1 卷積神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)技術(shù)結(jié)合

機(jī)器學(xué)習(xí)技術(shù)常用于簡(jiǎn)單的淺層結(jié)構(gòu)，能捕獲數(shù)據(jù)中的信息并進(jìn)行相應(yīng)的預(yù)測(cè)與決策[53]。為有效簡(jiǎn)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，研究人員對(duì)卷積神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)技術(shù)的結(jié)合進(jìn)行研究，并取得一定成果。秦豐等基于卷積神經(jīng)網(wǎng)絡(luò)提取病斑圖像特征，建立病害識(shí)別支持向量機(jī)模型，利用卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的結(jié)合，降低模型復(fù)雜性[54]；但該研究的識(shí)別精度相對(duì)較差。后續(xù)LI等對(duì)卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的結(jié)合進(jìn)行進(jìn)一步研究，提出2種將淺層卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)機(jī)器學(xué)習(xí)算法相結(jié)合的方法，總體流程如圖8所示。

圖8 LI等提出的病害檢測(cè)方法總體流程[2]

利用遷移學(xué)習(xí)從VGG-16模型摘取淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，利用支持向量機(jī)與隨機(jī)樹分別進(jìn)行圖像識(shí)別與分類，保障識(shí)別精度的同時(shí)降低模型復(fù)雜性，降低硬件要求與成本[2]。JIANG等提出一種將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合的網(wǎng)絡(luò)模型，利用實(shí)驗(yàn)獲得最優(yōu)的特征組合和模型參數(shù)，提高模型的收斂速度與識(shí)別精度，比直接使用CNN進(jìn)行特征提取和病害識(shí)別的傳統(tǒng)模型精度更高[7]。HAIDER等提出一種使用決策樹和不同深度學(xué)習(xí)模型識(shí)別和分類小麥病害的通用方法，決策樹的準(zhǔn)確率提高了28.5%，卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率提高了4.3%（達(dá)到97.2%），并在基于知識(shí)的系統(tǒng)中形成小麥病害的決策規(guī)則[55]。

3.2 卷積神經(jīng)網(wǎng)絡(luò)與高光譜成像技術(shù)結(jié)合

卷積神經(jīng)網(wǎng)絡(luò)與高光譜成像技術(shù)的結(jié)合，為卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與研究提供了新思路。桂江生等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的大豆花葉病害的診斷識(shí)別方法，根據(jù)高光譜圖像信息提取并計(jì)算感興趣區(qū)域的平均光譜值，建立基于高光譜圖像的CNN模型；研究表明，該模型能更精確地檢測(cè)初期大豆花葉病[56]。NAGASUBRAMANIAN等提出一種可直接同化高光譜數(shù)據(jù)的3D深卷積神經(jīng)網(wǎng)絡(luò)，利用顯著圖的概念，視化最敏感的像素位置，還可用于分類近紅外區(qū)域的最敏感波長(zhǎng)；該模型不僅具有較高的識(shí)別準(zhǔn)確性，還提供模型預(yù)測(cè)的生理學(xué)洞見，為后續(xù)的研究提供思路[57]。WEI等利用如圖9所示的高光譜成像系統(tǒng)進(jìn)行圖像采集，使用卷積神經(jīng)網(wǎng)絡(luò)模型提取可見光-近紅外范圍內(nèi)的光譜特征，用以估計(jì)玉米幼苗的冷害，卷積神經(jīng)網(wǎng)絡(luò)的冷損傷檢測(cè)結(jié)果與化學(xué)法檢測(cè)結(jié)果的相關(guān)系數(shù)為0.8219，證明了基于卷積神經(jīng)網(wǎng)絡(luò)建模的光譜分析可為玉米幼苗冷害檢測(cè)提供參考[58]。MA等利用2株感染了黑斑的玫瑰的光譜特征和圖像特征訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，采用多重散射校正和標(biāo)準(zhǔn)正態(tài)變量方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)高光譜圖像進(jìn)行裁剪、中值濾波和二值化預(yù)處理，實(shí)驗(yàn)結(jié)果表明，基于特征融合的卷積神經(jīng)網(wǎng)絡(luò)模型具有更高精度，基于卷積神經(jīng)網(wǎng)絡(luò)的光譜分析能夠檢測(cè)出玫瑰黑斑，可為其他植物病害的檢測(cè)提供參考，具有良好的研究意義和發(fā)展前景[59]。李光浩等發(fā)明一種小麥赤霉病的高光譜無(wú)損檢測(cè)方法，采用卷積神經(jīng)網(wǎng)絡(luò)模型同時(shí)處理小麥患病籽粒的光譜信息和空間信息，利用小麥籽粒高光譜特征波段、RGB通道的數(shù)據(jù)集進(jìn)行模型訓(xùn)練，可顯著提高小麥赤霉病識(shí)別的準(zhǔn)確率[60]。

圖9 WEI等提出的高光譜成像系統(tǒng)整體結(jié)構(gòu)[58]

3.3 卷積神經(jīng)網(wǎng)絡(luò)與移動(dòng)硬件設(shè)備結(jié)合

為提高卷積神經(jīng)網(wǎng)絡(luò)的實(shí)用性和便攜性，許多學(xué)者研究在移動(dòng)硬件設(shè)備上使用的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)。HUANG等利用無(wú)人機(jī)采集圖像，同時(shí)進(jìn)行地面調(diào)查，模擬和地理配準(zhǔn)采集的多光譜圖像，采用支持向量機(jī)分類場(chǎng)景，并利用轉(zhuǎn)移卷積神經(jīng)網(wǎng)絡(luò)識(shí)別螨蟲侵害，識(shí)別準(zhǔn)確率較高，該方法驗(yàn)證了使用無(wú)人機(jī)的多光譜圖像進(jìn)行螨蟲感染檢測(cè)研究的可行性[61]。為實(shí)現(xiàn)手機(jī)端的植物病害葉片檢測(cè)，劉洋等對(duì)MobileNet和Inception V3兩種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，得到2種作物病害分類模型，將這2種分類模型分別移植到Android手機(jī)端；實(shí)驗(yàn)結(jié)果表明，這2種模型的平均識(shí)別率較高，且MobileNet相比Inception V3在手機(jī)端占用的內(nèi)存更小，運(yùn)算更快，更適合在手機(jī)端進(jìn)行植物病害識(shí)別應(yīng)用[62]。AKIYAMA等提出卷積神經(jīng)網(wǎng)絡(luò)的移動(dòng)應(yīng)用程序，該程序?qū)Ρ萔GG19、MobileNet和MobileNetV2三個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，采用MobileNetV2的植物識(shí)別應(yīng)用程序平均1為0.992，表明該網(wǎng)絡(luò)性能較高、實(shí)用性較好，該應(yīng)用為植物病蟲害識(shí)別研究提供了新思路[63]。周惠汝等建立一個(gè)共享水稻病害圖像數(shù)據(jù)庫(kù)，并開發(fā)一款手機(jī)軟件輔助農(nóng)戶識(shí)別病害以及制定施藥策略；但由于圖像數(shù)據(jù)集較小，存在過(guò)擬合現(xiàn)象，識(shí)別效果相對(duì)較差[64]。MISHRA等提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的玉米葉片病害實(shí)時(shí)識(shí)別方法，使用由專用卷積神經(jīng)網(wǎng)絡(luò)硬件塊組成的英特爾Movidius神經(jīng)計(jì)算棒，將預(yù)先訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型部署到樹莓派3上，模型準(zhǔn)確率達(dá)88.46%，驗(yàn)證了該方法的可行性[65]。

3.4 小結(jié)

將卷積神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，并對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行重構(gòu)和壓縮[66]，進(jìn)而減少網(wǎng)絡(luò)參數(shù)量和計(jì)算量，使其能更廣泛應(yīng)用于各場(chǎng)景。對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)性剪枝優(yōu)化的研究，是卷積神經(jīng)網(wǎng)絡(luò)能有效與其他方法相結(jié)合使用的前提，也是未來(lái)研究發(fā)展趨勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)與其他方法的結(jié)合應(yīng)用如表3所示。

表3 卷積神經(jīng)網(wǎng)絡(luò)與其他方法的結(jié)合應(yīng)用

4 總結(jié)

隨著深度學(xué)習(xí)的發(fā)展，利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像特征，已成為植物病蟲害識(shí)別的主流方法。國(guó)內(nèi)外學(xué)者圍繞如何提高識(shí)別性能、實(shí)用性、便捷性以及經(jīng)濟(jì)性等問(wèn)題，展開大量研究。通過(guò)增加卷積神經(jīng)網(wǎng)絡(luò)的深度與廣度，提升網(wǎng)絡(luò)模型的識(shí)別性能；通過(guò)批量歸一化、Dropout以及使用池化層替代全連接層等方法，降低網(wǎng)絡(luò)模型結(jié)構(gòu)的復(fù)雜度；通過(guò)圖像分割、數(shù)據(jù)增強(qiáng)等方法增加數(shù)據(jù)集的規(guī)模，進(jìn)而提升網(wǎng)絡(luò)識(shí)別性能；通過(guò)將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)、嵌入式設(shè)備以及移動(dòng)應(yīng)用端相結(jié)合，在保障一定識(shí)別精度的前提下提高研究的實(shí)用性與經(jīng)濟(jì)性，雖然識(shí)別精度比不上一些流行的網(wǎng)絡(luò)模型，但也為今后的研究提供新思路。

目前，對(duì)植物微小病蟲害識(shí)別的研究相對(duì)較少，識(shí)別效果較差。未來(lái)可能將卷積神經(jīng)網(wǎng)絡(luò)、特征融合、多深度模型集成學(xué)習(xí)等方法結(jié)合，進(jìn)一步提高微小病蟲害的識(shí)別效果。同時(shí)，提升卷積神經(jīng)網(wǎng)絡(luò)在移動(dòng)應(yīng)用端、嵌入式設(shè)備等的識(shí)別精度，進(jìn)一步實(shí)現(xiàn)遠(yuǎn)程精準(zhǔn)的植物病蟲害自動(dòng)識(shí)別，也是未來(lái)研究發(fā)展方向。在今后一段時(shí)間里，卷積神經(jīng)網(wǎng)絡(luò)在病蟲害識(shí)別的研究仍需繼續(xù)發(fā)展，進(jìn)一步提高研究方法的便捷性、經(jīng)濟(jì)性和實(shí)用性。

[1] MOHANTY S P, HUGHES D P, SALATHé M. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science, 2016,7:14-19.

[2] LI Y, NIE J, CHAO XW. Do we really need deep CNN for plant diseases identification?[J]. Computers and Electronics in Agri-culture,2020,178:105803.

[3] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521:436-444.

[4] LI L, ZHANG S, WANG B. Plant disease detection and classification by deep learning—a review[J].IEEE Access, 2021, 9:56683-56698.

[5] BOULENT J, FOUCHER S, THéAU J, et al. Convolutional neural networks for the automatic identification of plant diseases [J]. Frontiers in Plant Science, 2019,10:941.

[6] 汪京京,張武,劉連忠,等.農(nóng)作物病蟲害圖像識(shí)別技術(shù)的研究綜述[J].計(jì)算機(jī)工程與科學(xué),2014,36(7):1363-1370.

[7] JIANG F, LU Y, CHEN Y, et al. Image recognition of four rice leaf diseases based on deep learning and support vector machine[J]. Computers and Electronics in Agriculture,2020, 179:105824.

[8] 董亮,段正泰,龔彬.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的圖像分類[J].信息與電腦(理論版),2021,33(3):77-78.

[9] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM,2017,60(6):84-90.

[10] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. CoRR,2014, abs/1409.1556.

[11] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]//IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, USA, 2015:1-9.

[12] HE K, ZHANG X Y, REN S, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition, 2016:770-778.

[13] RUSSAKOVSKY O, DENG J, SU H, et al. ImageNet large scale visual recognition challenge[J]. International Journal of Computer Vision, 2015,115(3):211-252.

[14] 劉婷婷,王婷,胡林.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識(shí)別[J].中國(guó)水稻科學(xué),2019,33(1):90-94.

[15] 鮑文霞,吳剛,胡根生,等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害識(shí)別[J].安徽大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,45(1):53-59.

[16] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition, 2016: 2818-2826.

[17] 儲(chǔ)岳中,汪佳慶,張學(xué)鋒,等.基于改進(jìn)深度殘差網(wǎng)絡(luò)的圖像分類算法[J].電子科技大學(xué)學(xué)報(bào),2021,50(2):243-248.

[18] YANN L, LEON B, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998,86(11):2278-2324.

[19] XU Y, ZHAO B, ZHAI Y, et al. Maize diseases identification method based on multi-scale convolutional global pooling neural network[J]. Proceedings of the IEEE, 2021,9:27959- 27970.

[20] TAN N P, LY V T, SON V T. Early disease classification of mango leaves using feed-forward neural network and hybrid metaheuristic feature selection[J]. IEEE Access, 2020,8: 189960-189973.

[21] 鮑文霞,黃雪峰,胡根生,等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型的玉米葉部病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2021,37(6):160-167.

[22] 李靜,陳桂芬,安宇.基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的玉米螟蟲害圖像識(shí)別[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào),2020,41(3):110-116.

[23] 孫思濂.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別在農(nóng)業(yè)領(lǐng)域的應(yīng)用[J].軟件,2020,41(11):173-175.

[24] 計(jì)雪偉,霍興贏,薛端,等.基于深度學(xué)習(xí)的農(nóng)作物病蟲害識(shí)別方法[J].南方農(nóng)機(jī),2020,51(23):182-183.

[25] RAGHUNATH K B D, CHAITHANYA M, SANDHYA M, et al. Deep learning model for plant disease detection[J]. International Journal of Recent Technology and Engineering (IJRTE),2020,9(1):750-754.

[26] 邊柯橙,楊海軍,路永華.深度學(xué)習(xí)在農(nóng)業(yè)病蟲害檢測(cè)識(shí)別中的應(yīng)用綜述[J].軟件導(dǎo)刊,2021,20(3):26-33.

[27] 刁智華,袁萬(wàn)賓,刁春迎,等.病害特征在作物病害識(shí)別中的應(yīng)用研究綜述[J].江蘇農(nóng)業(yè)科學(xué),2019,47(5):71-74.

[28] HAN S, MAO H Z, DALLy W J. Deep Compression: Compressing Deep Neural Network with Pruning, Trained Quantization and Huffman Coding[J]. CoRR,2015,abs/ 1510.00149.

[29] 孫俊,譚文軍,毛罕平,等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2017,33(19):209-215.

[30] YUAN Y, FANG S, CHEN L. Crop disease image classification based on transfer learning with DCNNs[A]//Lai JH. et al. Pattern Recognition and Computer Vision PRCV 2018[C]. Lecture Notes in Computer Science, Springer, Cham, 2018:11257.

[31] SINGH U P, CHOUHAN S S, JAIN S, et al. Multilayer convolution neural network for the classification of mango leaves infected by anthracnose disease[J].IEEE Access, 2019,7: 43721-43729.

[32] HANG J, ZHANG D X, CHEN P, et al. Classification of plant leaf diseases based on improved convolutional neural network [J]. Sensors,2019,19(19):4161.

[33] LV M, ZHOU G, HE M, et al. Maize leaf disease identification based on feature enhancement and DMS-Robust Alexnet[J]. IEEE Access, 2020,8:57952- 57966.

[34] CHEN J D, CHEN J X, ZHANG D F, et al. Using deep transfer learning for image-based plant disease identification[J]. Compu-ters and Electronics in Agriculture, 2020,173:105393.

[35] AI Y, SUN C, TIE J, et al. Research on recognition model of crop diseases and insect pests based on deep learning in harsh environments[J]. IEEE Access, 2020,8:171686-171693.

[36] 王敬賢.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的農(nóng)作物病害和雜草圖像識(shí)別研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2019.

[37] JIANG P, CHEN Y, LIU B, et al. Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks[J]. IEEE Access, 2019,7: 59069-59080.

[38] GEETHARAMANI G, PANDIAN J A. Identification of plant leaf diseases using a nine-layer deep convolutional neural network[J]. Computers and Electrical Engineering,2019,76: 323-338.

[39] ARUN P J, GEETHARAMANI G, ANNETTE B. Data augmentation on plant leaf disease image dataset using image manipulation and deep learning techniques[C]//2019 IEEE 9th International Conference on Advanced Computing (IACC), 2019:199-204.

[40] ZENG Q, MA X, CHENG B, et al. GANs-based data augmentation for citrus disease severity detection using deep learning[J].IEEE Access,2020,8:172882-172891.

[41] WU Q, CHEN Y, MENGAND J. DCGAN-based data augmentation for tomato leaf disease identification[J].IEEE Access,2020,8:98716-98728.

[42] NIE X, WANG L, DING H, et al. Strawberry verticillium wilt detection network based on multi-task learning and attention [J]. IEEE Access, 2020,7:170003-170011.

[43] 侯金秀,李然,鄧紅霞,等.融合通道信息注意力網(wǎng)絡(luò)的葉片病害識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2020,56(23):124-129.

[44] ZENG W H, LI M. Crop leaf disease recognition based on self-attention convolutional neural network[J].Computers and Electronics in Agriculture,2020,172:105341.

[45] 冷佳旭,劉瑩.基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)與識(shí)別[J].數(shù)據(jù)與計(jì)算發(fā)展前沿,2020,2(2):120-135.

[46] DAI Q, CHENG X, QIAO Y, et al. Crop leaf disease image super-resolution and identification with dual attention and topology fusion generative adversarial network[J]. IEEE Access, 2020,8:55724-55735.

[47] DAI Q, CHENG X, QIAO T, et al. Agricultural pest super-resolution and identification with attention enhanced residual and dense fusion generative and adversarial network[J]. IEEE Access,2020,8:81943-81959.

[48] LI D S, WANG R J, XIE C J, et al. A recognition method for rice plant diseases and pests video detection based on deep convolutional neural network[J]. Sensors, 2020,20(3):578.

[49] NAZKI H, YOON S, FUENTES A, et al. Unsupervised image translation using adversarial networks for improved plant disease recognition[J].Computers and Electronics in Agriculture, 2020,168:105117.

[50] 蒲秀夫,寧芊,雷印杰,等.基于二值化卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識(shí)別[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2020,41(2):177-182.

[51] DARWISH A, EZZAT D, HASSANIEN A E. An optimized model based on convolutional neural networks and orthogonal learning particle swarm optimization algorithm for plant diseases diagnosis[J]. Swarm and Evolutionary Computation, 2020,52:100616.

[52] YUAN Y, XU Z, LU G. SPEDCCNN: spatial pyramid- oriented encoder-decoder cascade convolution neural network for crop disease leaf segmentation[J]. IEEE Access, 2021,2(8): 14849-14866.

[53] ZEYNEP üNAL. Smart farming becomes even smarter with deep learning—a bibliographical analysis[J]. IEEE Access, 2020,8:105587-105609.

[54] 秦豐,劉東霞,孫炳達(dá),等.基于深度學(xué)習(xí)和支持向量機(jī)的4種苜蓿葉部病害圖像識(shí)別[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2017, 22(7):123-133.

[55] HAIDER W, REHMAN A, DURRANI N M, et al. A generic approach for wheat disease classification and verification using expert opinion for knowledge-based decisions[J].IEEE Access, 2021,9:31104-31129.

[56] 桂江生,吳子?jì)?李凱.基于卷積神經(jīng)網(wǎng)絡(luò)模型的大豆花葉病初期高光譜檢測(cè)[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版), 2019,45(2):256-262.

[57] NAGASUBRAMANIAN K, JONES S, SINGH A K, et al. Plant disease identification using explainable 3D deep learning on hyperspectral images[J]. Plant methods, 2019,15(1):98.

[58] WEI Y, CE Y, ZI Y H, et al. Diagnosis of plant cold damage based on hyperspectral imaging and convolutional neural Network[J]. IEEE Access,2019,7:118239-118248.

[59] MA J J, PANG L, YAN L, et al. Detection of black spot of rose based on hyperspectral imaging and convolutional neural network[J]. AgriEngineering,2020,2(4):556-567.

[60] 復(fù)旦大學(xué).一種小麥赤霉病的高光譜無(wú)損檢測(cè)方法: CN112446298A[P].2021-03-05.

[61] HUANG H S, DENG J Z, LAN Y B, et al. A two-stage classification approach for the detection of spider mite-infested cotton using UAV multi-spectral imagery [J/OL]. Remote Sensing Letters, 2018,9(10): 933-941 [2020-12-20].https:// doi.org/10.1080/2150704X.2018.1498600.

[62] 劉洋,馮全,王書志.基于輕量級(jí)CNN的植物病害識(shí)別方法及移動(dòng)端應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2019,35(17):194-204.

[63] AKIYAMA T, KOBAYASHI Y, SASAKI Y, et al. Mobile leaf identification system using CNN applied to plants in Hokkaido[C]//2019 IEEE 8th Global Conference on Consu-mer Electronics (GCCE), IEEE, 2019:324-325.

[64] 周惠汝,原愷,呼美娜,等.水稻病害圖像自動(dòng)化識(shí)別軟件的開發(fā)與應(yīng)用[C]//中國(guó)植物保護(hù)學(xué)會(huì)2019年學(xué)術(shù)年會(huì)論文集,2019-09,貴州貴陽(yáng):中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社,2019.

[65] MISHRA S, SACHAN R, RAJPAL D. Deep convolutional neural network based detection system for real-time corn plant disease recognition[J]. Procedia Computer Science, 2020, 167:2003-2010.

[66] 宋非洋,吳黎明,鄭耿哲,等.基于MobileNetV3的結(jié)構(gòu)性剪枝優(yōu)化[J].自動(dòng)化與信息工程,2019,40(6):20-25.

Review on Plant Disease and Pest Identification Based on Convolutional Neural Network

Luo Runmei1Wang Weixing1,2

(1.School of Electronic Engineering, School of Artificial Intelligence, South China Agricultural University, Guangzhou 510642, China 2.Guangdong Engineering Research Center for Agricultural Information Monitoring, Guangzhou 510642, China)

Plant diseases and insect pests have seriously affected the growth and production of plants. Timely accurate identification and control of plant diseases and insect pests can effectively improve the yield and quality of crops. In recent years, deep learning methods have developed rapidly. As one of the representative algorithms of deep learning, convolutional neural network has excellent image classification and recognition capabilities, and has been widely used in the identification of plant diseases and insect pests. The research on plant disease and pest identification based on convolutional neural network is reviewed. The structure and characteristics of several basic network models, the optimization methods of network structure and the combined application of convolutional neural network and other methods are reviewed; the difficulties of convolutional neural network based on plant disease and pest identification are discussed, and its application prospect is prospected.

convolutional neural network; deep learning; identification of pests and diseases; model optimization

駱潤(rùn)玫，女，1998年生，碩士研究生，主要研究方向：深度學(xué)習(xí)在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用。E-mail: runmei@stu.scau.edu.cn

王衛(wèi)星（通信作者），男，1963年生，教授，博士生導(dǎo)師，主要研究方向：智慧農(nóng)業(yè)與農(nóng)業(yè)物聯(lián)網(wǎng)。E-mail: weixing@ scau.edu.cn

基金項(xiàng)目：2021年省級(jí)鄉(xiāng)村振興戰(zhàn)略專項(xiàng)省級(jí)組織實(shí)施項(xiàng)目（粵財(cái)農(nóng)〔2021〕37號(hào)）“廣東省現(xiàn)代農(nóng)業(yè)關(guān)鍵技術(shù)模式集成與示范推廣”；廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃項(xiàng)目（2019B020214003）。

S43;TP183;TP391.41

A

1674-2605(2021)05-0001-10

10.3969/j.issn.1674-2605.2021.05.001