9、基于卷积神经网络的多植物病害诊断方法探索

基于卷积神经网络的多植物病害诊断方法探索

1. 植物病害诊断的重要性与挑战

植物病害是全球农业生产质量和产量的常见威胁，加剧了当前粮食供应短缺问题，至少有 8 亿人粮食供应不足。同时，它对食品安全构成重大威胁，随着消费者数量的增加，问题愈发严峻。

为减少病害危害，及时准确诊断病害至关重要。尤其是病毒性植物病害，不仅难以治愈，还传播迅速，因此必须立即清除受感染植物以防止二次感染。

目前，农民诊断植物病害的方式存在诸多问题。他们常借助互联网或咨询有经验的园丁，甚至将受感染植物样本或照片带到当地农业健康中心。然而，人工肉眼观察诊断不仅耗时费力，而且准确率低。即便经验丰富的农业专家和植物病理学家，也可能因病害症状多样且相似而误诊。此外，基因检测虽更准确，但成本高且耗时长。

2. 相关技术与发展

为解决植物病害诊断难题，研究人员提出了多种自动化诊断方法，涵盖模式识别、机器学习和深度学习等领域。早期，随机森林、人工神经网络、k - 近邻和支持向量机等分类方法被用于植物病害检测，这些方法依赖于可见病害特征的提取和选择。

随着深度学习的发展，卷积神经网络（CNN）在图像识别领域展现出强大优势。Kawasaki 等人利用 CNN 架构识别黄瓜叶病害，准确率达 94.9%；Mohanty 等人使用 GoogleNet 和 AlexNet 架构训练深度学习模型，识别 14 种作物和 26 种病害，准确率高达 99.35%。CNN 能够同时进行特征提取和图像分类，是图像识别的有效工具。

不过，CNN 应用也面临挑战，收集大量带标签的数据集十分困难。为应对这一问题，研究人员引入了迁移学习策略。该策略先在较大数据集上训练 C