摘" 要：農業(yè)不僅是國民經(jīng)濟建設與發(fā)展的基礎，也是社會有序運行的保障。然而每年由于農作物病蟲害造成的損失巨大，因此及時精準地檢測農作物病蟲害情況并采取相應措施，對于農業(yè)發(fā)展有著重要意義。近年來，深度學習在圖像識別方面取得巨大進展，其中卷積神經(jīng)網(wǎng)絡具有較好的圖像識別能力，利用該技術可以準確地識別農作物病蟲害，以便及時地進行防治。首先，該文分別綜述農作物病蟲害識別的傳統(tǒng)方法、機器學習方法、深度學習方法，并分析比較3種方法的優(yōu)缺點。其次，闡述國內外專家學者在農作物病蟲害識別關鍵技術上的研究，分別分析總結數(shù)據(jù)集的獲取途徑和規(guī)模、數(shù)據(jù)集多種預處理技術的作用、數(shù)據(jù)集增強技術的多種方法、網(wǎng)絡模型的遷移學習和預處理的作用、網(wǎng)絡模型的種類和優(yōu)缺點及網(wǎng)絡模型多種優(yōu)化技術的特點和優(yōu)缺點。最后，指出目前基于卷積神經(jīng)網(wǎng)絡的農作物病蟲害識別研究的熱點難點，并對其應用前景進行展望。

關鍵詞：深度學習；卷積神經(jīng)網(wǎng)絡；圖像識別；關鍵技術；病蟲害識別

中圖分類號：TP183" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2024）17-00３９-0７

Abstract： Agriculture is not only the basis of national economic construction and development， but also the guarantee of social orderly operation. However， due to the huge losses caused by crop diseases and insect pests every year， it is of great significance for agricultural development to detect crop diseases and insect pests timely and accurately and take corresponding measures. In recent years， deep learning has made great progress in image recognition， in which Convolutional Neural Network has a good ability of image recognition， using this technology can accurately identify crop diseases and insect pests for timely prevention and control. First of all， this paper summarizes the traditional methods， machine learning methods and deep learning methods of crop pest identification， and analyzes and compares the advantages and disadvantages of the three methods. Secondly， The research of experts and scholars at home and abroad on the key technologies of crop disease and pest identification are described. This paper analyzes and summarizes the ways and scale of obtaining data sets， the functions of various preprocessing techniques of data sets， various methods of data set enhancement， the role of transfer learning and preprocessing of network models， the types and advantages and disadvantages of network models， and the characteristics， advantages and disadvantages of various optimization techniques of network models. Finally， the hot spots and difficulties of crop pest identification based on Convolutional Neural Network are pointed out， and its application prospect is prospected.

Keywords： deep learning; Convolutional Neural Network; image recognition; key technology; pest identification

國家的經(jīng)濟發(fā)展離不開農業(yè)的繁榮。然而，農作物的病蟲害問題一直以來都是制約農業(yè)發(fā)展的關鍵因素[1-2]。這些病蟲害嚴重影響著農作物的產(chǎn)量和質量，災難性病蟲害的發(fā)生導致糧食供應短缺。針對農作物病蟲害的預防與治理，傳統(tǒng)的植物病蟲害識別方法需要耗費大量的時間與高昂的費用進行人工觀察與專業(yè)鑒定[3]。對于這種情況，人們開始尋求新方法，于是，機器學習逐漸被人們重視，利用機器學習技術不僅可以有效減少人工觀察時間，而且可以減少用于專業(yè)鑒定的高昂費用。但是，隨著社會的發(fā)展及人們日益增長的需求，傳統(tǒng)機器學習的缺點逐漸顯現(xiàn)出來，其中圖片的特征提取需要手動操作，過程十分繁瑣并且影響精確度，從而導致機器學習的算法識別結果不盡如人意。隨后，深度學習迅猛發(fā)展[4]，在數(shù)字圖像處理領域取得了突破，遠遠優(yōu)于傳統(tǒng)方法[5]。深度學習方法主要使用卷積神經(jīng)網(wǎng)絡模型，這一網(wǎng)絡模型在大規(guī)模識別任務中已經(jīng)展現(xiàn)出優(yōu)于相關專家的識別準確度[6]。然而，隨著深度學習的快速發(fā)展，網(wǎng)絡結構不斷優(yōu)化?；诰矸e神經(jīng)網(wǎng)絡的植物病蟲害識別研究具備識別準確性高、魯棒性強、泛化性好等特點[7]。盡管如此，仍存在一些挑戰(zhàn)，例如需要大量的數(shù)據(jù)集提高識別準確率，大量實驗來確定最優(yōu)的網(wǎng)絡結構等[8]。為了深入探索卷積神經(jīng)網(wǎng)絡在農業(yè)病蟲害識別領域的研究，本文綜述了農業(yè)病蟲害識別的幾種方法，分析了國內外專家學者在基于卷積神經(jīng)網(wǎng)絡的病蟲害識別關鍵技術上的研究進展，探討了目前基于卷積神經(jīng)網(wǎng)絡的農業(yè)病蟲害識別研究的熱點和難點，并對其應用前景進行了展望。

1" 農作物病蟲害識別方法

1.1" 傳統(tǒng)農作物病蟲害識別方法

傳統(tǒng)人工農作物病蟲害識別方法是在長期的農業(yè)生產(chǎn)實踐中形成的一類識別技術，主要依賴于農業(yè)從業(yè)者的經(jīng)驗和專業(yè)知識，通過人工視覺觀察，來分析判斷植物是否感染病蟲害。

人工農作物病蟲害識別方法包括個人經(jīng)驗判斷和基于專家知識的判別，其中，個人依靠長期的經(jīng)驗判斷病蟲害的種類，而專業(yè)的農業(yè)病蟲害專家通過專業(yè)的知識判斷病蟲害種類。這些方法對于一些特定病蟲害的識別有一定的準確性，但遇到與別的病蟲害相似的癥狀，就會受到個人主觀限制，不僅耗時耗力，而且判斷的結果存在不穩(wěn)定[9]。圖1為傳統(tǒng)農作物病蟲害防治流程圖。

1.2" 基于機器學習的農作物病蟲害識別方法

基于機器學習的農作物病蟲害識別技術是利用計算機視覺和人工智能的方法，通過對大量圖像數(shù)據(jù)的學習和訓練，實現(xiàn)自動化的病蟲害識別。其主要流程包括數(shù)據(jù)采集、數(shù)據(jù)預處理、特征提取和模型訓練[10]。相較于傳統(tǒng)的人工農作物病蟲害識別方法，基于機器學習的農作物病蟲害識別具有客觀性、高效性。然而，基于機器學習的農作物病蟲害識別技術也存在一些缺點，該技術需要專門的人員提前進行特征采集，然后傳輸?shù)缴窠?jīng)網(wǎng)絡中進行識別分類。這一過程相當復雜且耗費大量人力物力。圖2為基于機器學習的農作物病蟲害識別流程圖。

1.3" 基于深度學習的農作物病蟲害識別技術

深度學習是機器學習領域的一個重要分支，其核心特點是利用多層神經(jīng)網(wǎng)絡進行特征學習和模式識別。通過多層次的非線性轉換，深度學習技術可以從原始數(shù)據(jù)中提取更高級、更抽象的特征，從而更好地區(qū)分不同的病蟲害樣本，提高識別準確性和泛化能力，在病蟲害識別任務中，基于深度學習的技術主要采用卷積神經(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）等模型[11-12]。雖然基于深度學習的農作物病蟲害識別技術與機器學習的方法在流程上有相似之處，但在特征提取階段，深度學習具有明顯優(yōu)勢。深度學習可以自動學習圖像中的特征，而不需要手動設計特征。這使得基于深度學習的農作物病蟲害識別方法在處理大規(guī)模和復雜數(shù)據(jù)時表現(xiàn)更加優(yōu)越。因此近些年來，深度學習中有些網(wǎng)絡模型在農作物病蟲害識別任務中，已能實現(xiàn)遠遠優(yōu)于相關專家的識別準確度[13]。圖3為基于深度學習的農作物病蟲害識別流程圖。

2" 農作物病蟲害識別關鍵技術

基于卷積神經(jīng)網(wǎng)絡的農作物病蟲害識別關鍵技術是一種利用深度學習方法自動檢測和識別農作物病蟲害的先進技術。其主要內容有數(shù)據(jù)集獲取、數(shù)據(jù)預處理、數(shù)據(jù)增強、遷移學習和預訓練、神經(jīng)網(wǎng)絡模型選擇和網(wǎng)絡模型優(yōu)化等[14]。

2.1" 病蟲害數(shù)據(jù)集的獲取技術

在卷積神經(jīng)網(wǎng)絡病蟲害識別的研究中，適當?shù)臄?shù)據(jù)準備可以幫助模型找到最優(yōu)參數(shù)，提高識別性能。在農業(yè)病蟲害識別領域，數(shù)據(jù)源主要可以通過3種方式獲得：第一種是利用相關研究機構提供的數(shù)據(jù)或現(xiàn)有的公共數(shù)據(jù)集，比如Plant Village、AI Challenger等；第二種是研究人員自己搜集，比如利用手機、相機等設備進行圖片采集；第三種則是從互聯(lián)網(wǎng)上搜索圖片。通過這些數(shù)據(jù)獲取方式為卷積神經(jīng)網(wǎng)絡病蟲害識別技術提供了豐富的數(shù)據(jù)資源，有助于推動該領域的研究和應用發(fā)展。本文總計所研究文章的數(shù)據(jù)集選擇情況見表1。

由表1可知，研究者們廣泛使用開源數(shù)據(jù)集作為訓練和測試模型的主要數(shù)據(jù)來源。部分研究者選擇通過使用手機或相機自行構建數(shù)據(jù)集。相對而言，采用互聯(lián)網(wǎng)搜索、網(wǎng)絡爬蟲獲取數(shù)據(jù)集的研究者數(shù)量較少。

2.2" 病蟲害數(shù)據(jù)集的預處理技術

在卷積神經(jīng)網(wǎng)絡病蟲害識別的研究中，病蟲害數(shù)據(jù)集的預處理技術在農業(yè)科學領域具有重要意義。在采集的過程中，病蟲害圖像很容易受到無關信息的干擾，比如灰塵、雜物、光照和模糊等，從而會影響識別的準確度，所以需要對圖像數(shù)據(jù)集進行除噪除雜等預處理，以確保圖像質量。另外需要對圖像進行尺寸標準化，通常將它們調整為相同的大小，以便于神經(jīng)網(wǎng)絡的處理。具體預處理方式及其說明見表2。

由表2可知，采用調整圖像尺寸、灰度化、PCA白化、轉變顏色模型和降噪等多種數(shù)據(jù)預處理方式，研究者在卷積神經(jīng)網(wǎng)絡病蟲害識別領域取得了顯著進展。這些技術的綜合應用為該領域的研究和實際應用提供了有力的支持，推動了病蟲害識別技術的不斷發(fā)展與優(yōu)化。

2.3" 病蟲害數(shù)據(jù)集的增強技術

在卷積神經(jīng)網(wǎng)絡病蟲害識別的研究中，數(shù)據(jù)增強被廣泛采用，以提高模型的魯棒性和泛化能力。研究者運用不同類型的數(shù)據(jù)增強方法來增加訓練數(shù)據(jù)的多樣性，如幾何變換類、空間變換類、顏色變換類等。文章所涉及數(shù)據(jù)增強方式見表3。

由表3可知，在卷積神經(jīng)網(wǎng)絡病蟲害識別的研究中，卷積神經(jīng)網(wǎng)絡病蟲害識別中的研究者廣泛應用各類數(shù)據(jù)增強方法。這些數(shù)據(jù)增強技術能夠有效地增加數(shù)據(jù)集的多樣性，提高模型的泛化能力和魯棒性，進而推動病蟲害識別技術的發(fā)展和應用。通過綜合運用這些方法為卷積神經(jīng)網(wǎng)絡病蟲害識別的精度和可靠性帶來了積極的影響，為農業(yè)保護和食品安全領域提供了有力的支持。

2.4" 網(wǎng)絡模型的遷移學習和預訓練技術

在卷積神經(jīng)網(wǎng)絡病蟲害識別的研究中，許多任務面臨著數(shù)據(jù)不足、類別不平衡、領域偏移等挑戰(zhàn)，導致模型難以泛化到新的、未見過的數(shù)據(jù)。為了應對這些挑戰(zhàn)并提高深度學習的效率和性能，許多研究人員選擇了遷移學習的方法來訓練模型。遷移學習的原理是將訓練好的參數(shù)應用在別的神經(jīng)網(wǎng)絡模型中，這樣就可以很快地進行模型訓練，極大地節(jié)約了資源和時間。遷移學習的過程如圖4所示。

總的來說，遷移學習和預訓練是神經(jīng)網(wǎng)絡中的2種強大的技術，它們能夠提高模型的泛化能力和訓練速度，并在數(shù)據(jù)稀缺或復雜任務的場景下發(fā)揮重要作用。

2.5" 神經(jīng)網(wǎng)絡模型的選擇

在卷積神經(jīng)網(wǎng)絡病蟲害識別的研究中，網(wǎng)絡結構模型的選擇是一個至關重要的決策，因為不同的網(wǎng)絡結構會直接影響模型的性能和學習能力。本文深入研究了多種網(wǎng)絡模型，如表4中的AlexNet、VGGNet、ResNet、EfficientNet、MobileNet和Inception。

由表4可知，每種網(wǎng)絡結構模型在病蟲害識別任務中都展現(xiàn)出了各自的優(yōu)勢和局限性。研究者們根據(jù)不同的任務需求和資源限制，選擇合適的網(wǎng)絡結構模型，以獲得最佳的識別性能。未來的研究可以進一步優(yōu)化和改進這些網(wǎng)絡結構，以提升病蟲害識別技術的效率和準確度，推動該領域的發(fā)展和應用。

2.6" 神經(jīng)網(wǎng)絡模型的優(yōu)化技術

在卷積神經(jīng)網(wǎng)絡的演進過程中，優(yōu)化網(wǎng)絡模型的方法成為一個至關重要的研究領域。研究者們提出了多種優(yōu)化方法。從最基礎的隨機梯度下降（SGD）到更加高級的優(yōu)化器，如Adam、Adamax等。這些優(yōu)化算法能夠自適應地調整學習率和梯度更新策略，有效幫助網(wǎng)絡更快地收斂到最優(yōu)解，從而加速訓練過程。常見優(yōu)化器算法見表5。

由表5可知，選擇優(yōu)化器算法時，研究者們需考慮數(shù)據(jù)集規(guī)模、網(wǎng)絡結構復雜性、計算資源等因素，結合實際情況選擇合適的優(yōu)化器來提升模型的收斂速度和性能。因此仔細選擇和調整更合適的優(yōu)化器能夠為病蟲害識別等任務帶來更好的效果。

3" 問題與展望

隨著深度學習技術的蓬勃發(fā)展，利用卷積神經(jīng)網(wǎng)絡（CNN）自動提取圖像特征，已為當前最炙手可熱的深度學習技術之一，但其在農作物病蟲害識別方面的應用尚處于初級階段，仍面臨一定程度的挑戰(zhàn)，亟待深入挖掘和拓展。

3.1" 存在的問題

3.1.1" 數(shù)據(jù)收集問題

在卷積神經(jīng)網(wǎng)絡病蟲害識別中，數(shù)據(jù)收集困難是一個重要的問題。因為農業(yè)病蟲害的數(shù)據(jù)采集受到多種因素的限制，如不同地理環(huán)境、氣候條件、農業(yè)生產(chǎn)區(qū)域的分散性等，導致研究人員難以獲得全面而多樣化的數(shù)據(jù)樣本。

3.1.2" 圖像檢測問題

在卷積神經(jīng)網(wǎng)絡病蟲害識別中，圖像檢測是一個具有挑戰(zhàn)性的任務。環(huán)境復雜、病蟲害多樣、形態(tài)不規(guī)則和背景干擾多，增加了農作物病蟲害圖像檢測的難度。

3.1.3" 模型訓練和硬件資源問題

卷積神經(jīng)網(wǎng)絡的深度結構可以提高準確率，但網(wǎng)絡結構深度越深所需要訓練時間越長，以及硬件資源要求越高。在嵌入式平臺上，GPU性能遠低于計算機，從而導致卷積神經(jīng)網(wǎng)絡在嵌入式平臺上實時目標檢測速度明顯下降，這給實時目標檢測的應用提出了挑戰(zhàn)。

3.2" 未來展望

在卷積神經(jīng)網(wǎng)絡病蟲害識別領域，會面臨數(shù)據(jù)獲取、圖像檢測、模型訓練和硬件資源等問題的挑戰(zhàn)。然而，隨著科學技術的不斷進步和創(chuàng)新，這些困難均可克服，并可推動該領域取得更為顯著的發(fā)展。首先，對于數(shù)據(jù)獲取困難問題，未來的研究可以通過協(xié)調國內外研究人員的合作，實現(xiàn)數(shù)據(jù)的共享與交換，同時，可以探索利用新興技術，如無人機和遙感等，來構建更大規(guī)模病蟲害數(shù)據(jù)庫。其次，針對圖像檢測困難問題，未來的研究可以聚焦于改進圖像預處理和增強技術，以提高圖像質量和準確性。再次，針對模型訓練和硬件資源問題，未來的研究可以致力于開發(fā)更加優(yōu)化的神經(jīng)網(wǎng)絡模型，比如設計輕量級網(wǎng)絡結構、引入注意力機制、模型壓縮等技術，以提高訓練效率。最后，針對嵌入式平臺的硬件資源限制，可以探索深度學習加速器和模型優(yōu)化技術，以提高神經(jīng)網(wǎng)絡在嵌入式設備上的實時檢測性能。總之，神經(jīng)網(wǎng)絡病蟲害識別領域面臨著一系列挑戰(zhàn)，但隨著科技的不斷進步，這些困難將逐步得到解決。未來的研究將以構建更大規(guī)模的數(shù)據(jù)集、優(yōu)化模型訓練、利用硬件資源等為重點，推動卷積神經(jīng)網(wǎng)絡病蟲害識別技術在農業(yè)生產(chǎn)中的應用。

4" 結論

本文綜述了國內外研究人員利用神經(jīng)網(wǎng)絡模型進行病蟲害識別技術的研究進展，討論了病蟲害識別關鍵技術。研究表明，使用更豐富、真實且多樣化的數(shù)據(jù)源，并通過數(shù)據(jù)預處理和遷移學習，可以促使病蟲害識別的準確率得到很好的提升。尤其選擇合適的神經(jīng)網(wǎng)絡模型，并通過模型的改進和優(yōu)化，能夠促使特定的任務得到更高效的解決。然而，在探討現(xiàn)階段技術不足和未來發(fā)展趨勢時發(fā)現(xiàn)，農業(yè)病蟲害識別領域在卷積神經(jīng)網(wǎng)絡應用方面仍面臨一些挑戰(zhàn)。短期內，卷積神經(jīng)網(wǎng)絡在農業(yè)病蟲害識別上可能無法徹底解決問題。但是值得肯定的是，現(xiàn)階段的很多經(jīng)驗在未來將成為背后大數(shù)據(jù)的重要組成部分。因此，在未來的發(fā)展中，對卷積神經(jīng)網(wǎng)絡在農業(yè)領域的光明前景將持樂觀態(tài)度，并期待通過不斷地研究和探索，推動該技術的進步與發(fā)展，使其成為農業(yè)病蟲害防控的有力工具。

參考文獻：

[1] GERALD A，CARLSON.A decision theoretic Approach to crop disease prediction and control[J]. American Journal of Agricultural Economics，1970，52（2）：216-223.

[2] AL-HIARY H， BANI-AHMAD S， REYALAT M， et al. Fast and accurate detection and classification of plant disease[J].International Journal of Computer Applications， 2011，17（1）：31-38.

[3] LI Y， NIE J， CHAO X. Do we really need deep CNN for plant diseases identification？[J]. Computers and Electronics in Agriculture，2020，178（3）：105803.

[4] LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. nature， 2015， 521（7553）： 436-444.

[5] LIU J， WANG X. Plant diseases and pests detection based on deep learning： a review[J]. Plant Methods，2021，17：1-18.

[6] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[J]. Advances in neural information processｉｎｇ ｓｙｓｔｅｍｓ，２０１２，２５.

[7] 駱潤玫，王衛(wèi)星.基于卷積神經(jīng)網(wǎng)絡的植物病蟲害識別研究綜述[J].自動化與信息工程，2021，42（5）：1-10.

[8] 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（2）：105824.

[9] NGUGI L C， ABELWAHAB M， ABO-ZAHHAD M. Recent advances in image processing techniques for automated leaf pest and disease recognition-A review[J]. Information processing in agriculture，2021，8（1）：27-51.

[10] 孫成會，薛凱鑫.基于人工智能的圖像識別技術分析[J].電子測試，2020（16）：139-140.

[11] GOODFELLOW I，BENGIO Y，COURVILLE A.Deep learning[M].MIT press，2016.

[12] GU J， WANG Z， KUEN J， et al. Recent advances in convolutional neural networks[J].Pattern recognition，2018， 77：354-377.

[13] BOULENT J， FOUCHER S， TH？魪AU J， et al. Convolutional neural networks for the automatic identification of plant diseases[J].Frontiers in plant science，2019，10：941.

[14] 翟肇裕，曹益飛，徐煥良，等.農作物病蟲害識別關鍵技術研究綜述[J].農業(yè)機械學報，2021，52（7）：1-18.

[15] T？譈RKO■LU M， HANBAY D. Plant disease and pest detection using deep learning-based features[J]. Turkish Journal of Electrical Engineering and Computer Sciences，2019，27（3）：1636-1651.

[16] KAUR S， PANDEY S， GOEL S. Semi-automatic leaf disease detection and classification system for soybean culture[J].IET Image Processing，2018，12（6）：1038-1048.

[17] LIU B， TAN C， LI S， et al. A data augmentation method based on generative adversarial networks for grape leaf disease identification[J]. IEEE Access，2020，8：102188-102198.

[18] DARSHAN V S. Automated Diagnosis and Cataloguing of Foliar Disease in Apple Treesusing Ensemble of Deep Neural Networks[Z].International Research Journal of Engineering and Technology（IRJET），2020.

[19] NAGI R， TRIPATHY S S. Deep convolutional neural network based disease identification in grapevine leaf images[J].Multimedia Tools and Applications，2022，81（18）：24995-25006.

[20] JI M， ZHANG L， WU Q. Automatic grape leaf diseases identification via UnitedModel based on multiple convolutional neural networks[J]. Information Processing in Agriculture，2020，7（3）：418-426.

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

[22] MALVADE N N， YAKKUNDIMATH R， SAUNSHI G， et al. A comparative analysis of paddy crop biotic stress classification using pre-trained deep neural networks[J]. Artificial Intelligence in Agriculture，2022，6：167-175.

[23] ZHANG X， QIAO Y， MENG F， et al. Identification of maize leaf diseases using improved deep convolutional neural networks[J].IEEE Access， 2018，6：30370-30377.

[24] WANG P， NIU T， MAO Y， et al. Identification of apple leaf diseases by improved deep convolutional neural networks with an attention mechanism[J].Frontiers in Plant Science，2021，12：723294.

[25] MAEDA-GUTI？魪RREZ V， GALV？魣N-TEJADA C E， ZANELLA-CALZADA L A， et al. Comparison of convolutional neural network architectures for classification of tomato plant diseases[J].Applied Sciences，2020，10（4）： 1245.

[26] BIR P， KUMAR R， SINGH G. Transfer learning based tomato leaf disease detection for mobile applications[C]//2020 IEEE International Conference on Computing， Power and Communication Technologies （GUCON）. IEEE，2020： 34-39.

[27] BRAHIMI M， BOUKHALFA K， MOUSSAOUI A. Deep learning for tomato diseases： classification and symptoms visualization[J].Applied Artificial Intelligence，2017，31（4）：299-315.

[28] 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.

[29] LIU B， ZHANG Y， HE D J， et al. Identification of apple leaf diseases based on deep convolutional neural networks[J]. Symmetry，2017，10（1）：11.

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

[31] MOHANTY S P， HUGHES D P， SALATH？魪 M. Using deep learning for image-based plant disease detection[J]. Frontiers in plant science，2016，7：1419.

[32] ？譈MIT A ，MURAT U ，KEMAL A， et al. Plant leaf disease classification using EfficientNet deep learning model[J]. Ecological Informatics，2021，61：101182.

[33] ARSENOVIC M， KARANOVIC M， SLADOJEVIC S， et al. Solving current limitations of deep learning based approaches for plant disease detection[J].Symmetry，2019，11（7）：939.

[34] SALEEM M H， POTGIETER J， ARIF K M. Plant disease classification： A comparative evaluation of convolutional neural networks and deep learning optimizers[J]. Plants， 2020，9（10）：1319.

[35] CHAO X， SUN G， ZHAO H， et al. Identification of apple tree leaf diseases based on deep learning models[J]. Symmetry，2020，12（7）：1065.

[36] YAKKUNDIMATH R， SAUNSHI G， ANAMI B， et al. Classification of rice diseases using convolutional neural network models[J]. Journal of The Institution of Engineers （India）： Series B，2022，103（4）：1047-1059.

[37] SINGH P， VERMA A， ALEX J S R. Disease and pest infection detection in coconut tree through deep learning techniques[J]. Computers and electronics in agriculture，2021， 182：105986.

[38] ALTUNTAS Y， C？魻MERT Z， KOCAMAZ A F. Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach[J]. Computers and Electronics in Agriculture，2019，163：104874.

[39] NASIRI A， TAHERI-GARAVAND A， ZHANG Y D. Image-based deep learning automated sorting of date fruit[J]. Postharvest biology and technology，2019，153：133-141.

[40] FUENTES A， YOON S， PARK D S. Deep learning-based phenotyping system with glocal description of plant anomalies and symptoms[J].Frontiers in Plant Science，2019，10： 1321.

[41] 曾偉輝， 李淼， 張健， 等. 面向農作物病害識別的高階殘差卷積神經(jīng)網(wǎng)絡研究[J]. 中國科學技術大學學報，2019， 49（10）：781-790.

[42] PICON A， SEITZ M， ALVAREZ-GILA A， et al. Crop conditional Convolutional Neural Networks for massive multi-crop plant disease classification over cell phone acquired images taken on real field conditions[J]. Computers and Electronics in Agriculture，2019，167：105093.

[43] WAHEED A， GOYAL M， GUPTA D， et al. An optimized dense convolutional neural network model for disease recognition and classification in corn leaf[J]. Computers and Electronics in Agriculture，2020，175：105456.

[44] RAMCHARAN A， BARANOWSKI K， MCCLOSKEY P， et al. Deep learning for image-based cassava disease detection[J]. Frontiers in plant science，2017，8：1852.

[45] SLADOJEVIC S， ARSENOVIC M， ANDERLA A， et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational intelligence and neuroscience，2016，6：1-11.

[46] KUKREJA V， DHIMAN P. A Deep Neural Network based disease detection scheme for Citrus fruits[C]//2020 International conference on smart electronics and communication （ICOSEC）.IEEE，2020：97-101.

[47] LU Y， YI S， ZENG N， et al. Identification of rice diseases using deep convolutional neural networks[J]. Neurocomputing，2017，267：378-384.

[48] ZHANG S， ZHANG S， ZHANG C， et al. Cucumber leaf disease identification with global pooling dilated convolutional neural network[J]. Computers and Electronics in Agriculture，2019，162：422-430.

[49] DUARTE-CARVAJALINO J M， ALZATE D F， RAMIREZ A A， et al. Evaluating late blight severity in potato crops using unmanned aerial vehicles and machine learning algorithms[J].Remote Sensing，2018，10（10）：1513.