15、基于特征选择和深度神经网络的植物叶片病害分类

基于特征选择和深度神经网络的植物叶片病害分类

1 引言

植物病害是农业生产损失的主要原因，快速准确识别病害的工具却很匮乏。近年来，病虫害传播显著增加，全球化、全球贸易、气候变化以及农业集约化导致生产系统恢复力下降等因素，使病害易跨国传播成流行病，严重威胁农民生计和国家粮食营养安全。

传统上，农民凭经验用肉眼检测病害，既不准确又易有偏差，且经验传承困难。因此，需要准确的病害检测器和可靠数据库来帮助农民，尤其是缺乏经验的新手。计算机视觉的发展，让先进的深度学习（DL）或机器学习（ML）算法有了用武之地，同时也需要早期病害检测系统及时保护作物。

以往很多研究使用PlantVillage数据集，但该数据集各类别训练样本有限，且多采用卷积神经网络（CNN），训练耗时耗内存。

2 文献综述

2.1 使用CNN进行植物病害识别

CNNs是一种分层模型，通过大量示例训练学习对象特征，由多层组成，后续层基于先前学习的特征构建。此前有多项研究使用CNNs进行植物病害检测和分类，如Konstantinos等使用VGG模型在“PlantVillage”数据集上达到99.53%的准确率，Rangarajan等用AlexNet和VGG16对番茄叶病害分类，VGG16达到97.29%，AlexNet达到97.49%的准确率。不过，以往研究使用的“PlantVillage”数据集背景简单，样本量有限，易过拟合，应从不同地理区域、种植条件和图像采集模式收集更多训练数据。

2.2 使用人工神经网络进行植物病害识别

有许多使用人工神经网络（ANN）解决植物病害识别问题的方法，如自组织特征映射、反向传播算法和