自50年代以来,研究者就利用图像处理技术来开展农作物病害识别的研究
[2,3]。随着计算机技术的快速发展,出现了利用深度学习进行农作物病害识别的研究。卷积神经网络(Convolutional Neural Networks,CNN)是一种深度监督学习下的机器学习模型。卷积层是CNN的核心,层的参数由一组可学习的滤波器(filter)或内核(kernels)组成。该方法擅长处理图像特别是大图像的相关机器学习问题。它通过一系列方法,将数据量庞大的图像识别问题不断降维,最终使其能够被训练。2012年,Krizhevsky 等
[4]设计的深度卷积神经网络(CNN)AlexNet模型,在大规模视觉识别挑战赛(ImageNet Large Scale Visual Recognition Challenge,ILSVRC 2012)上取得较好的成绩,很多研究者结合迁移学习(Transfer learning,TL)、深度学习(Deep Learning, DL)以及CNN对不同领域的图像分类识别问题进行研究。Brahimi等
[5]使用9种番茄病害图像共14828幅比较微调 AlexNet 网络参数模型和传统支持向量机的识别效果,结果表明AlexNet 网络不仅在正确率上优于支持向量机,而且避免了病斑分割效果对识别的影响。Mohanty等
[6]通过使用AlexNet和GoogleNet两个网络在ImageNet数据集训练的参数初始化模型对包含54306幅图像的PlantVillage数据集中14种作物的26种病害图像进行识别比较,取得了令人满意的结果。Lee等
[7,8]针对多种高光谱图像研究出一种新的跨领域CNN,并在三组农业图像上进行试验,结果显示提出的方法相比使用独立卷积神经网络的方法正确率提升了1%~3%。Khamparia等
[9]使用CNN和自动编码器的组合设计了一种用于检测作物叶病的混合方法,提供了一种利用作物叶片图像在卷积编码器网络的帮助下检测作物病害的新技术。Sun等
[10]利用CNN识别算法有效提高了茶叶病害的识别效率,首先使用图像分割和数据增强对图像进行预处理,然后将这些图像输入网络进行训练,频繁调整学习率和迭代次数以达到更高的CNN识别准确率。