基于卷積神經網絡的農作物病害識別研究

關鍵詞：深度學習；卷積神經網絡；農作物病害；識別

病害是影響農作物生產的重要因素，嚴重阻礙了農業的可持續發展。2023年，我國小麥、水稻、玉米、馬鈴薯等糧食作物病蟲害呈重發態勢，發生面積2.03億hm2，同比增加24.1%[1]。因此，及時、準確地識別農作物病害對提高糧食產量、保證糧食安全、推動精準農業發展具有重大意義。當農作物受到病害侵襲時，根、莖、葉、花和果實上會留下較為明顯的痕跡或病變特征，可用于識別病害的類型和危害程度[2]。傳統的農作物病害識別主要通過觀察和檢測等方法判斷。針對農作物病害的復雜多樣性特征，趙云娟等[3]將農作物病害的診斷方法歸納為“望、聞、問、切”四診觀察法。楊怡華等[4]為同時快速、準確地檢測麥冬炭疽病病原菌山麥冬炭疽菌和黑斑病病原菌互隔交鏈孢菌，建立了基于巢式多重PCR技術的檢測方法，檢出率達到80%。傅華英等[5]采用此方法對14份有赤條病癥狀的田間甘蔗葉片樣品進行平行檢測，陽性檢出率為100.0%。這些農作物病害識別方法，人力、時間和物力成本較高，難以實現大面積應用。

隨著計算機視覺技術的發展，圖像處理能力得到了極大提升，基于機器學習的農作物病害識別得到越來越廣泛的應用。近些年計算機硬件性能不斷提升，深度學習（deep learning，DL）迎來了蓬勃發展，在農作物病害識別方面，先進的深度學習方法在速度和效率方面超越了傳統方法，其中卷積神經網絡（convolutional neural networks，CNN）較具有代表性，此方法通過學習可以從圖像中提取最具辨別力的特征[6]。為全面了解CNN在農作物病害識別中的研究和應用進展，本文闡述了CNN模型的種類、不同數據集下CNN模型的識別效果及其在病害識別中的應用，以及CNN模型的輕量化趨勢，同時分析了現有技術存在的問題，并展望了未來病害識別研究的方向，旨在推動農作物病害識別技術的應用和發展。

1 基于卷積神經網絡的病害識別方法

深度學習是一種具有巨大發展潛力的新機器學習方向，Hinton等[7]在2006年首次提出深度學習的概念。深度學習通過將多個低層特征組合形成更加抽象的高層特征，實現對復雜數據的學習和理解。深度學習被認為是執行農業任務的較好方法，解決了植物病害鑒定的復雜任務[8]。與傳統的機器學習相比，深度學習可以更好地處理復雜多變的農業數據，能夠自動學習特征而無需人工設計，并且能夠從數據中提取到更加抽象、更加本質的特征，具有強大的特征表達能力、魯棒性和泛化性，從而更加精準的識別各類農作物病害。

CNN 可以生成具有不同權重和偏差的過濾器，用于學習輸入對象模式[9]。2012 年，采用AlexNet架構的CNN在ImageNet大規模視覺識別挑戰賽（ILSVRC）上獲勝，從此，卷積神經網絡開始廣為人知[10]。CNN是一種前饋神經網絡，一般由輸入層、多個卷積層、激活函數、池化層、全連接層組成。卷積操作和權值共享是CNN的核心思想，卷積操作通過滑動卷積核對圖像進行局部感知和特征提取，而權值共享則減少了參數數量、提高了訓練效率，且對平移、尺度和旋轉等圖像變換具有不變性，使得卷積神經網絡能夠很好地應對圖像處理問題。因此， CNN正在成為植物病害識別中最常用的架構[11]，其識別農作物病害的一般流程如圖1所示。

2 病害識別常用的卷積神經網絡模型

農作物病害識別通過網絡模型對輸入圖像進行若干次卷積操作以提取有效特征，因此，合理的模型架構對能否準確識別農作物病害至關重要。一般農作物病害識別模型功能為圖像分類和目標檢測，可以分為以下3種。

2.1 基準網絡模型

此模型解決了計算機視覺問題，常見的有VGGNet、Inception、ResNet、YOLO 等。這些基準模型經過了大量的實踐檢驗，在各個領域的數據集上都表現較好的性能。Van等[12]提出了細粒度視覺分類方法PDiscoNet，利用僅具有級別類標簽的圖像對物體的精細部位進行識別，如僅僅依靠鳥類這個標簽可以將鳥類的眼睛、喙等器官識別出來，物體精細部位的可區分性、差異性得以較好的體現，且該方法在CUB、CelebA和PartImageNet等數據集上表現出了較高的精度。Fang等[13]使用ResNet50檢測植物病害，把標準交叉熵損失函數替換為焦點損失函數，采用Adam優化方法識別葉片病害等級，準確率為95.61%。不同網絡模型的識別精度存在差異，Kapoor等[14]對比分析了經典深度學習模型AlexNet和VGG16在識別甜椒葉片病害中的效果，VGG16 模型的準確率為99.38%，高于AlexNet 模型的97.80%。Chen 等[15]利用三階段方法對葡萄病害進行識別，先使用Faster R-CNN 標記病斑位置和DCGAN 增強數據集，然后采用殘差網絡ResNet對葡萄病害進行識別，結果表明，ResNet在葡萄病害識別上精度高、泛化能力強。

2.2 改進的網絡模型

此類模型主要對基準模型的某些模塊或網絡層進行針對性改造，從而能夠更好地適應特定農作物病害的識別。Chen 等[16] 提出了基于YOLOV5 改進的橡膠樹病害識別模型，將YOLOv5 中Backbone 部位的Bottleneck 模塊替換為InvolutionBottleneck 模塊來減少參數和計算量，捕獲空間中的長距離信息，并且在骨干網的最后一層插入壓縮和激勵（squeeze-andexcitation，SE）模塊，增加了有效特征的權重，改進后的模型總體上平均精度達到70%。姜紅花等[17]在ResNet18 網絡的基礎上增加了輕量級通道與空間注意力模塊（convolutional blockattention module，CBAM）來加強網絡對蘋果葉部病斑區域的注意力，同時引入隨機裁剪分支減少參數量，從而得到了基于ResNet18 改進的蘋果葉部病害多分類模型，其分類準確率可達98.25%。孫艷歌等[18]提出了多尺度自注意力茶葉病害檢測方法，其以YOLOv5 為基礎，采用VGG16 作為多尺度卷積塊骨干網絡，將多尺度特征融入CSwin Transformer自注意力模塊，實現了全局和局部信息的交互。同時在尺度感知特征融合模塊應用通道注意力機制提高了病害檢測準確性，復雜環境下對6種常見茶葉病害檢測準確率達到92.15%。

2.3 設計的網絡模型

此類模型在開發過程中會特別考慮到農業數據的特殊性，使得網絡更加關注一些與植物病害有關的特征，比如病害區域的顏色、紋理等特征，擁有更強大的特征提取和表示學習能力。Bhugra等[19]提出了一種AnoLeaf方法，通過優化對健康葉片圖像的上下文注意學習，耦合患病葉片圖像信息，將患病葉片的病害信息更加精準地分割出來。此方法通過上下文注意力，強化了對患病葉片病害分割錯誤的修復，將病害位置有效定位，具有良好的泛化性。宋余慶等[20]基于多層特征融合和空洞卷積理論構建了多層次增強高效空間金字塔（extremely efficient spatial pyramid，EESP）網絡模型，使用該模型對10種農作物的61種病害進行識別，Top1 分類準確率為88.4%。Zhu 等[21]結合CNN在提取局部信息方面的優勢和視覺轉換器在獲取全局感受野方面的優勢設計了MSCVT混合模型，在網絡的淺層和深層融合局部和全局特征，并使用倒置殘差塊替代普通卷積減少參數，取得了較高的識別精度，在PlantVillage數據集和蘋果葉片病理學數據集上的識別準確率分別為99.86%和97.50%。

3 不同數據集卷積神經網絡病害識別

3.1 基于公開數據集的農作物病害識別

常用的農業公開數據集有Plant Village、PlantDoc、IP102 等（表1），其中，PlantVillage 數據集是使用最多的數據集，也是室內環境下圖像背景一致的最大植物病害數據集[22]。此外，研究人員也可以在百度飛槳平臺（AI Studio）獲取一些公開數據集。

由于公開數據集可以免費獲取，并且節省了研究人員采集和處理大量數據的時間和精力，基于此類數據集的研究較多。Schuler等[23]提出了基于Inception V3的雙分支DCNN網絡模型，2個分支分別輸入圖像在CIE Lab 顏色空間中的彩色和非彩色特征，實現了彩色和非彩色信息的解耦，在PlantVillage數據集上達到了99.48%分類精度，且大幅減少了模型參數和計算量。Kaya等[24]結合圖像融合技術開發了一種基于多頭DenseNet 的網絡架構，對PlantVillage數據集上38種病害識別精度經五折交叉驗證的平均準確率可達98.17%。Sahil 等[25]提出了一種用于植物葉病分類的高效CNN，首先對RGB圖像的每個通道使用自適應直方圖均衡化（contrast limited adaptive histogramequalization，CLAHE）圖像增強技術，然后再將RGB 圖像轉換到HSV 顏色空間，該方法對PlantVillage玉米數據集中健康和3種病害類型的葉片識別準確度最高達到了96.76%。針對當前植物葉片病害細粒度分類粗糙、識別準確率低等問題，于明等[26]搭建了基于顏色掩膜與通道自適應自注意力機制的病害識別網絡FCMSAN，該模型在公開數據集AI Challenger 2018上Top-1準確率可達87.97%。Thai等[27]基于ViT設計了木薯葉片病害識別模型FormerLeaf，該模型使用LeIAP算法選擇Transformer中每層最重要的注意力頭，并同時使用稀疏矩陣?矩陣乘法（SPMM）模型中的矩陣相關性，在木薯病葉數據集上的實驗證明，該方法可以減少模型大小和訓練時間，加快推理速度。李云紅等[28]基于DenseNet121提出了一種新的AT-DenseNet 方法，通過使用混合注意力機制加強對番茄葉片病害位置的關注，提高了病害特征提取能力；同時采用Focal Loss損失函數解決了數據不平衡問題，該方法對PlantVillage數據集上的6種番茄葉片病害識別準確率達到了99.49%。王瑞鵬等[29]基于EfficientNet-B0和DenseNet121設計了具有2個特征提取分支的DEFL網絡，通過使用帶有標簽平滑機制的焦點損失函數，提高模型對識別難度較大樣本的關注度，克服了蘋果葉片病斑小、特征相近等造成識別難的問題。該方法在Plant Pathology 2021-FGVC8蘋果數據集上的識別準確率達到99.13%。

3.2 基于田間試驗數據集的農作物病害識別

公開數據集的規模較大、使用方便，但這些圖像大多在實驗室環境下采集，導致圖像的光照、角度等不夠豐富，1幅圖像往往只包含1片葉片，沒有重疊區域，且使用特定的背景板拍攝，無法還原真實的自然環境。為了提高算法的泛化能力、降低過擬合風險，使其更符合實際農業生產場景，越來越多的研究通過建立基于田間試驗數據集進行研究。Xiao等[30]使用數碼相機在草莓農場收集了葉枯病、灰霉病等5種病害共792幅圖像作為原始數據集，并以此為基礎構建了具有1 306幅圖像的特征數據集，然后采用Resnet50模型對草莓病害進行識別，在原始數據集和特征數據集的準確率分別為98.06%和99.60%。李大湘等[31]針對蘋果葉部病害圖像類間差異小而類內差異大的特點，設計了一種蘋果葉部病害識別模型，該模型使用多頭交叉注意力耦合（multi head and crossattention coupling，MHCAC）模塊對全局特征提取分支、局部特征提取分支進行雙向交互融合，增強了模型的多粒度特征提取能力。經檢驗，模型以較少的參數量在自建的蘋果病害數據集上實現了對5種常見病害的精準識別。基于YOLOv5網絡模型，Li等[32]提出了一種YOLO-JD模型，該模型使用沙漏特征提取模塊（sandy clock featureextraction module，SCFEM）、深度沙漏特征提取模塊（deep SCFEM，DSCFEM）和空間金字塔池化模塊（spatial pyramid pooling module， SPPM），能夠高效地從圖像中提取有關黃麻病害的關鍵特征，在包含10個種類的大規模黃麻病害圖像數據集上獲得了96.63%的平均mAP和95.83%的F1評分，在質量和數量上都超過了YOLO系列的其他幾種方法。也有研究者利用混合模型進行研究，如Alshammari 等[33]提出了基于VGG-16 和ViT 的混合深度學習模型用于識別橄欖葉病害，在3 400幅圖像的橄欖葉病害數據集上實現了多分類和二分類。為了滿足大田實際需要，賈璐等[34]構建了包含復雜背景的葡萄病害數據集Grape_Complex，其圖像由農民在生產中拍攝，包含3種病害共2 022幅圖像，按照8∶2的比例劃分訓練集和測試集并進行了數據擴充，然后通過設計多尺度特征融合模塊，引入MConv 倒殘差模塊和注意力機制SENet機制構建了MAnet模型，結果表明，該模型在自建復雜背景病害數據集上具有較高的識別準確率，且參數量和浮點運算量相對較小。張楠楠等[35] 提出了一種CBAM-YOLO v7 方法，通過在YOLO v7網絡結構的Backbone和Head部位連接位置加入CBAM注意力機制，增加對空間和通道信息的關注，強化棉花葉片病蟲害特征；同時在Head部位增加4倍采樣，加深網絡結構，避免了處理病蟲害小目標時感受野過大、信息丟失的現象，該方法在自然環境條件下獲取的棉花病蟲害數據集上性能良好，mAP 為85.5%，比YOLOv5 提高21%，比YOLOv7提高了4.9%。

4 基于遷移學習與預訓練的卷積神經網絡病害識別

遷移學習是將在某個任務上預訓練好的模型應用于另一個任務中，使得新任務不必從頭開始訓練網絡，可以利用從預訓練模型中獲得的知識、參數等，通過在小型目標數據集上進行微調就能得到理想的效果。遷移過程如圖2 所示，一方面節約了模型訓練需要的大量計算資源和時間，另一方面避免了花費高昂成本制作對應目標任務的大型數據集。另外，由于預訓練模型已經在大規模數據集上進行過訓練，學習到了一些通用的特征表示，這使得模型的泛化能力得到大幅提高。

農業數據相對較匱乏，利用遷移學習技術進行農作物病害識別越來越受到專家學者的關注。Chen 等[36]使用遷移學習方法將在ImageNet 上預訓練的DenseNet 和Inception 模塊融合為DENSINCEP新網絡，改進適用于多分類任務的FocalLoss函數，用于檢測水稻病害，在公共數據集中平均預測準確率均高于94.07%，對多種水稻病害的平均預測準確率達到98.63%。針對茶葉病害數據少、樣本分配不均的現狀，李子茂等[37]提出了一種基于遷移學習的茶葉病害識別方法。該方法以DenseNet121為主干網絡，將SE通道注意力模塊嵌入到DenseNet121 的每個稠密塊中，對每一層網絡的輸入和輸出進行擠壓和激勵，生成通道權重增強有益特征，實現了特征權重的重新校準。在訓練時首先將設計的模型SE-DenseNet-FL 用PlantVillage數據集預訓練，然后使用自建數據集對預訓練得到的參數進行微調，經驗證，基于遷移學習的SE-DenseNet-FL對小樣本及樣本分布不均勻情況下的茶葉病害識別有較高的準確率和魯棒性。張文景等[38]提出一種改進的CBAM-ResNet18模型對蘋果多種葉部病害進行識別，該模型以ResNet18網絡為基礎，在其中融入了改進后的通道空間注意力模塊CBAM。采用遷移學習技術在周敏敏[39]的數據集上進行預訓練后，保存最優模型，然后使用自建數據集進行訓練。經檢驗，該方法提高了平均識別準確率、減少了訓練時長。為提高識別準確率，Sanida等[40]設計了兩階段遷移學習方法識別番茄葉病，將模型在ImageNet數據集上預訓練的權重作為在目標數據集上訓練的初始權重，這一方法在測試集上獲得了99.23%的準確度。在病害檢測方面，Ayaz等[41]基于深度遷移學習模型檢測薺菜圓頂蟲癭疾病，該方法對YOLOV4模型進行了修改，刪除了在線數據增強技術，使用離線增強方法來增加訓練圖像的可變性和擴大訓練數據集的大小，同時使用了在MSCOCO數據集上預訓練過后的YOLOv4模型權重，并在自建的Cordia 數據集上進行了再訓練，與YOLOv5、YOLOv7和SSD等SOAT模型相比，該方法表現良好。以上研究表明，遷移學習在農作物病害識別方面的應用越發廣泛并取得了較好的效果，其中使用最多的策略就是把預訓練和微調相結合，但需要注意的是，隨著源領域和目標領域的差異加大，遷移學習的效果也會變差甚至出現負遷移。因此，在實際應用中，需要進一步在具體應用中優化遷移學習方法，深刻理解遷移什么、何時遷移、如何遷移。

5 病害識別的輕量化趨勢

網絡深度和寬度是衡量模型的重要指標，通常情況下，在合理范圍內模型性能和深度或寬度成正相關，隨著網絡層數、通道數的增加，模型的特征提取能力會越來越強大。但是，模型越復雜需要的計算能力、內存資源也就越大，而難以部署在手機移動終端、邊緣設備上，不利于農業生產者在實際場景中對農作物病害的識別，難以在農戶中推廣應用，模型的輕量化已經成為模型推廣應用的發展趨勢。現有研究中，研究者主要使用模型剪枝、參數量化、知識蒸餾等方法降低模型大小、減少參數量。Li等[42]提出了具有統一的樹狀蒸餾搜索空間、蒙特卡羅樹搜索和搜索加速策略三大組件的自動搜索框架Auto-KD，將特征蒸餾器的搜索空間組織成樹狀結構，采用蒙特卡羅樹搜索對搜索樹節點進行有效選擇、擴展、模擬和評估，其通過使用離線存儲的知識替代教師推理、對學生模型進行稀疏訓練等策略，訓練速度提升40倍、訓練參數和內存節省15倍。Fang等[43]提出了一種結構剪枝方案，基于估計依賴圖（DepGraph）模擬神經網絡中成對層之間的相互依賴性，對耦合參數進行綜合分組以進行剪枝，解決了CNN等任意架構的一般結構剪枝問題，在多種架構和任務上表現良好。目前常用輕量化模型如表2 所示，其中，鄧鵬飛等[44]提出了一種基于遷移學習和模型壓縮的玉米病害識別方法，該方法以VGG16網絡為基礎，在卷積層后添加了Inception模塊和全局平均池化層來優化網絡，并對遷移學習后的網絡模型使用通道剪枝和知識蒸餾方法進行壓縮，把模型壓縮到9.45 MB，平均準確率降低0.98%，參數量減少了87.80%。

一些研究者則從網絡架構的設計出發提出了用于農作物病害識別的輕量化網絡模型。王澤鈞等[45]融合注意力機制和多尺度特征，搭建了使用深度可分離卷積的輕量化模型LMA-CNNs用于識別59種農作物病害，準確率為88.08%，模型大小為5.37 MB，參數量僅有0.14×107，優于ResNet34、ResNeXt、ShuffleNetV2等經典神經網絡模型。彭玉寒等[46]基于MobileNetV2提出了輕量級農作物病害識別方法RLDNet，通過使用重參數化策略改進了倒殘差模塊，提高了推理速度。同時，引入輕量級空間注意力機制（ultra-lightweight subspaceattention module，ULSAM）促進了全局信息的交互，并采用DepthShrinker剪枝方法縮減了模型大小。該方法在自建葉片病害數據集上識別準確率為98.49%，在PlantVillage數據集上的識別準確率為99.53%，單幅葉片病害圖像的推理時間為2.51 ms，參數為0.65 MB。劉陽等[47]以經典輕量級網絡SqueezeNe為基礎，分別從修改輸出通道、修改fire模塊、修改卷積核數目、移動fire模塊位置等方面提出了5種改進模型，在PlantVillage數據集上進行多類葉片病害識別研究，最優模型僅需0.62 MB內存和111MFLOPs運算量，平均準確率達到了98.13%，在參數內存需求、網絡運算量和網絡性能3個方面實現了較好的平衡。針對水稻病害檢測，Jia等[48]提出了一種基于YOLOv7的輕量化模型MobileNet-CA-YOLO，該模型使用MobileNetV3 替代YOLOv7 的主干網絡作為特征提取器，減少了參數并融入坐標注意機制（coordinate attention，CA）。此方法在自建數據集上準確率為92.3%，模型大小為6.956 MB，為在資源受限的移動設備上使用提供了可能。Wang等[11]結合殘差深度卷積和空間金字塔池化技術開發了適用于緊湊型設備的新型超輕量級高效網絡ULEN，在PlantVillage 數據集和木薯數據集上的結果表明，該模型具有優越的輕量級優勢，但在分類精度方面略低。

綜上發現，模型的輕量化往往會伴隨著一定的精度損失，與前述的一些規模龐大、結構復雜的大型網絡相比，這些輕量化模型性能表現稍有遜色。如Wang 等[11] 所提模型在背景簡單的PlantVillage數據集上具有98.13%的精確度，而在背景復雜的木薯葉病數據集上的精確度僅有54.97%，這反映了輕量化模型在穩健性上的不足。因此，在將來的農作物病害識別輕量化模型研究中，合理地平衡模型復雜度和性能之間的關系，在精簡模型的同時提高模型準確度、效率、實用性是我們亟需解決的問題。

6 存在問題與不足

隨著深度學習技術的進步，在農業中使用卷積神經網絡識別各種農作物病害逐漸成為當前熱門的研究方向。盡管和傳統方法相比，此方法在很多方面展現出了相當大的優勢，但仍存在一些不足和局限，這在一定程度上阻礙了模型精準度等性能的進一步提升，并限制了其在實際環境中的應用推廣，主要體現在以下幾個方面。

6.1 數據庫樣本不足

深度學習是一項以大數據為驅動的技術，想要模型學習到更多知識、擁有更強大的表征能力離不開大規模、多樣化的高質量數據集。盡管現有一些公開數據集，但這些圖像大部分是在室內采集，背景簡單、缺乏噪聲干擾，以此為基礎訓練出來的模型抗干擾性、魯棒性較差，難以適應農田復雜的實際環境。創建足夠豐富、全面的農作物病害數據庫不但需要投入大量的人力、物力資源和時間成本，而且在病害圖像采集、專家標注過程存在人為誤差。同時，農作物病害具有時空差異，在采集樣本時還需要考慮時間、地理位置因素，為數據集的創建增加了難度。

6.2 泛化性較差

本文通過分析發現，公開數據集可以達到較好的病害識別效果，但是缺乏與實際生產的相適應性；而自建數據集則通常數據量較少，不能很好地對模型進行訓練。另外，目前基于卷積神經網絡的農作物病害識別研究大多在某一種特定作物上進行，網絡架構具有針對性，導致模型只在此類作物的病害識別中表現良好而在其它作物上效果很差，泛化能力不足。

6.3 實用性有待加強

農作物病害表征在外觀上不僅存在相似性，同一種病害的外觀特征在不同環境下又存在差別，在識別過程中現有模型容易混淆誤判。農田環境較為復雜，光線、角度會帶來極大干擾，如在多葉片重疊遮擋的情況下，模型的識別精度較低。同時，在樣本量不均衡的情況下，模型對某些小樣本病害的識別也較為困難。另外，現有的農作物病害識別模型大多都較為復雜，需要依賴強大的算力和龐大的內存，難以在性能較低的邊緣設備上運行，無法對病害進行實時監測，不能滿足實際需求。而那些目前開發的規模較小、適用于移動端的輕量級模型則存在精確度稍低、穩健性不足的問題，降低了模型在實際情況中的應用效果。

6.4 模型可解釋性差

卷積神經網絡是一種黑盒模型，其內部結構和參數很難解釋和理解。在使用卷積神經網絡進行農作物病害識別時，模型是如何學習的？學到了什么？哪些特征重要？這些關鍵性的環節不能顯現出來，出現了多種多樣的模型，模型之間難以有效集成，影響了研究者對模型的可持續優化。

7 展望

卷積神經網絡具有強大的特征提取能力，在農作物病害識別方面取得了較大的發展，為推動卷積神經網絡在農作物病害識別領域的進一步發展，未來應從以下幾方面著手：①需要綜合利用現有技術、多種方法相互結合以提高模型的識別精度和泛化能力，如采用數據增強方法增加數據集規模和圖像復雜度、將公開數據集和自建數據集混合使用等，全球范圍內構建大型、豐富、均衡的農作物病害數據庫，信息共享，提高模型的訓練效果；②將深度學習和多模態數據（包括近地面獲取的數據與無人機圖像、遙感影像等）融合，點面結合，優勢互補，提高模型識別準確度；③進一步優化網絡架構，提高網絡泛化能力、識別精準度、縮減模型大小，同時利用無人機、智能機器人等設備對農作物進行實時自動監測，及早發現病害；④建立使用卷積神經網絡模型的便捷易用的農作物病害服務平臺，在方便農戶通過平臺進行病情診斷或咨詢的同時，發現在實際應用中存在的問題，從而推動模型的更新迭代；⑤使用多模型集成融合，減少對單一模型的依賴，提高農作物病害識別準確度和模型魯棒性。

盡管目前使用卷積神經網絡識別農作物病害還存在諸多問題，與生產實際中廣泛應用還有一定距離，但其必定成為一種農作物病害識別的強有力工具。