中文引用格式： 楊翰琨，朱博威，張彥敏，等. 基于深度學(xué)習(xí)的植物病害圖像識(shí)別算法綜述[J]. 電子技術(shù)應(yīng)用，2025，51(1)：1-7.
英文引用格式： Yang Hankun，Zhu Bowei，Zhang Yanmin，et al. Review of plant disease image recognition algorithms based on deep learning[J]. Application of Electronic Technique，2025，51(1)：1-7.
引言
農(nóng)業(yè)是人民的重要生活來源之一，在經(jīng)濟(jì)中發(fā)揮著至關(guān)重要的作用[1]。隨著人口的增加，全球作物需求顯著增加，但作物疾病對(duì)農(nóng)業(yè)生產(chǎn)構(gòu)成重大威脅[1]。據(jù)統(tǒng)計(jì)，植物病害占全球糧食損失的70%~80%[2]。由于缺乏對(duì)作物的觀察，病蟲害的侵?jǐn)_在很大程度上仍然未知[3]。傳統(tǒng)上農(nóng)藥被用來保護(hù)農(nóng)作物[1]。然而過量使用農(nóng)藥不僅會(huì)破壞生態(tài)平衡，還會(huì)增加害蟲的抗性[4]。
傳統(tǒng)疾病檢測方法依賴于訓(xùn)練有素的視覺評(píng)估[5]。這種方法完全依賴于人力資源，速度慢且成本高[6]。因此，研究人員們在基于機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺的目標(biāo)檢測研究方面做出了重大努力[7]。Alagumariappan等人設(shè)計(jì)了一種實(shí)時(shí)決策系統(tǒng)，實(shí)現(xiàn)了高精度植物疾病識(shí)別，展現(xiàn)了機(jī)器學(xué)習(xí)相比手動(dòng)方法的優(yōu)勢[8]。
近年來，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）成為圖像識(shí)別領(lǐng)域的主流技術(shù)之一[9]。基于深度學(xué)習(xí)的對(duì)象檢測主要有兩種類型：基于區(qū)域的卷積網(wǎng)絡(luò)結(jié)構(gòu)和使用CNN網(wǎng)絡(luò)結(jié)構(gòu)直接處理整個(gè)圖像[4]。在前者中，Rangarajan等人比較了用于作物識(shí)別的各種深度學(xué)習(xí)方法，發(fā)現(xiàn)AlexNet算法對(duì)特定任務(wù)的平均精度最高[5]，但這種類型的方法比較耗時(shí)。
為了應(yīng)對(duì)這些挑戰(zhàn)，一種突出的實(shí)時(shí)物體檢測算法是YOLO（You Only Look Once）[6]。Wang等人提出了一種基于改進(jìn)YOLOv3番茄病蟲害實(shí)時(shí)檢測算法[4]。Liu等人介紹了YOLOv5s增強(qiáng)版本，提高了模型在復(fù)雜環(huán)境中識(shí)別病害的能力[6]。此外，YOLO的最新進(jìn)展，包括YOLOv8，展示了物體檢測的新前沿[9]。
雖然YOLO算法提高了檢測的準(zhǔn)確性和效率，但當(dāng)環(huán)境變化時(shí)，需要對(duì)整個(gè)模型重新訓(xùn)練。新場景的數(shù)據(jù)會(huì)對(duì)模型權(quán)重產(chǎn)生影響，模型在新場景上性能提升，但在初始場景上性能會(huì)下降，這被稱為災(zāi)難性遺忘[10]。
本文旨在綜述深度學(xué)習(xí)在植物病害識(shí)別中的研究進(jìn)展和主要挑戰(zhàn)，并探討災(zāi)難性遺忘和持續(xù)學(xué)習(xí)的應(yīng)用前景，促進(jìn)深度學(xué)習(xí)在農(nóng)業(yè)中的廣泛應(yīng)用。
本文詳細(xì)內(nèi)容請下載：
http://m.xxav2194.com/resource/share/2000006274
作者信息：
楊翰琨1，朱博威2，張彥敏2，徐以東1
（1.哈爾濱工程大學(xué) 煙臺(tái)研究生院，山東 煙臺(tái) 265500；
2.武漢第二船舶設(shè)計(jì)研究所 海洋電磁探測與控制湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 湖北 430064）
