20、卷积神经网络及其架构在真菌植物病害检测中的应用

卷积神经网络及其架构在真菌植物病害检测中的应用

1. 引言

约85%的植物受真菌、细菌和病毒等微生物引起的病害影响，这对自然生态系统造成了极大破坏。受真菌病害影响的植物通常会出现颜色改变、叶片形状恶化、茎变黄、枝条生锈、幼苗萎蔫、出现白色霉菌、茎边缘弯曲、叶片皱缩等症状。真菌会从受感染的植物中吸收能量和维生素，破坏植物的细胞和组织，对植物及其副产品造成严重损害。真菌病害的来源包括动物、土壤、工具、人类工人、杂草、种子等，它们通过植物的自然开口（如气孔）或昆虫造成的孔洞进入植物体内。常见的真菌植物病害有菌核病、叶枯病、白粉病、炭疽病和锈病等。

传统上，人们使用基于规则的算法和普通图像处理技术来识别真菌植物病害，但这些方法存在诸多局限性，如病害识别准确率低、数据预处理不当、任务重复繁琐、无法处理不受控的数据采集条件、分割时出现瓶颈、缺乏可扩展性以及无法处理数据转换等问题。因此，基于人工智能的自动化算法被应用于识别病原性真菌植物病害，如反向传播神经网络、深度学习、监督学习、强化学习、无监督学习、卷积神经网络（CNN）和循环网络等。这些自动化方法利用受真菌影响植物的数值数据或图像来训练算法进行病害识别，能够有效处理实时操作、计算资源、数据收集不足、训练数据分布、计算副作用和数据转换等问题。

在所有自动化方法中，基于图像的方法在识别真菌植物病害方面具有更优的输出质量。CNN是一种潜在的深度学习神经网络，用于植物病理学中的图像识别和分类。它由卷积层、池化层和全连接层组成，具有可学习的权重和偏置，能够成功处理图像的空间和时间特性。用于图像分析的一些强大的CNN架构包括LeNet、AlexNet、VGGNet、GoogLeNet、ResNet和ZFnet。

2. LeNet