基于迁移学习和残差网络的农作物病害分类

王东方，汪 军

（安徽工程大学计算机与信息学院，芜湖 241000）

0 引 言

农作物病害影响农业产品质量和产量，自动识别作物病害是一个重要课题。随着农业生产种植结构不断复杂化，农业生产中所遇到的病害情况也越来越复杂，对农作物的生长造成了严重的影响，快速、准确地识别出农作物病害种类并进行及时防治，对于提高农作物的质量和产量至关重要。

传统机器学习技术检测农作物病害种类通常分为图像预处理、图像分割、特征提取和分类4个阶段[1-4]。在这一过程中，特征提取是一个难题，由于人为选择特征需要大量的试验和经验，而且存在一定的主观性。复杂的农作物病害种类又加深了特征提取的难度。深度学习是机器学习的一个分支，在计算机视觉领域应用潜力巨大。卷积神经网络能够从输入图像中自动提取相关特征，相较于人为选择的特征更加具有客观语义性，减少了人为主观性的影响。本文基于迁移学习并改进深度残差网络，创建自动检测和分类农作物病害种类的模型，以避免传统方法依赖人工特征设计的问题。

Jia等[5]发布的大型数据集ImageNet为图像识别研究提供了强有力的数据支撑。Krizhevsky等[6]提出的AlexNet卷积神经网络模型，在ImageNet比赛中获得了冠军，Top-5的错误率仅有15.3%，比第二名低10.8个百分点。AlexNet卷积神经网络的成功应用极大地促进了深度学习技术的发展，使得深度学习技术在多个领域得到广泛应用，例如人脸识别、语音识别、行人检测等[7-11]，也促进了农业生产活动朝着智能化的方向发展[12-15]。……