基于圖像識別的蘋果葉片病害識別模型對比研究

郝 菁，賈宗維

（山西農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院，山西晉中 030801）

0 引言

蘋果在中國北方廣泛種植[1]。隨著農(nóng)業(yè)現(xiàn)代化發(fā)展，蘋果的種植模式越來越趨向于專業(yè)化、集群化[2]。在蘋果樹生長過程中，各種病害頻繁發(fā)生，使產(chǎn)量降低、質(zhì)量下降，甚至造成巨大的經(jīng)濟(jì)損失。及時(shí)有效地檢測蘋果葉病病害種類，采取相應(yīng)措施，控制疾病蔓延，對蘋果產(chǎn)業(yè)的健康發(fā)展至關(guān)重要。深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)在圖像處理方面有出色的表現(xiàn)[3]，目前已經(jīng)在圖像分類、目標(biāo)檢測等領(lǐng)域受到極大關(guān)注，為植物葉片病害診斷提供了一種新的方法和手段。

近年來，為解決人工檢測植物感染病害耗時(shí)耗力的問題，通常利用機(jī)器學(xué)習(xí)的方法對葉片感染病害種類進(jìn)行快速識別，其中卷積神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的特征學(xué)習(xí)能力，被廣泛應(yīng)用于植物葉片病害識別研究中[4]。一些西方發(fā)達(dá)國家在農(nóng)業(yè)現(xiàn)代化方面的發(fā)展和應(yīng)用已較為成熟，利用深度學(xué)習(xí)對植物葉片病害檢測開展了一系列研究，并取得了大量成果[5]。2015年Kawasaki等[6]研究了基于CNN的黃瓜葉病識別，對黃瓜2個(gè)典型的疾病類別和1個(gè)非疾病類別進(jìn)行分類，平均準(zhǔn)確率為94.9%。2016年Srdjan等[7]首次提出植物病害識別方法，利用深度CNN對十幾種植物病害進(jìn)行識別，模型的準(zhǔn)確率在91%～98%之間。Mohanty等[8]通過研究多種作物的病害類別，采用卷積神經(jīng)網(wǎng)絡(luò)模型算法進(jìn)行訓(xùn)練，識別率較高，可達(dá)99.35%。Ferentinos等[9]在2018年開發(fā)用CNN模型從一個(gè)有87848張圖像、58個(gè)病害類、25種植物的公共數(shù)據(jù)集中識別植物疾病，準(zhǔn)確率最高可達(dá)99.53%。……