基于卷積神經(jīng)網(wǎng)絡的農(nóng)作物病害識別研究綜述

范偉堅　林樂堅　李就好

摘 要：隨著精準農(nóng)業(yè)的發(fā)展，對農(nóng)作物病害進行快速準確地識別是提高農(nóng)作物產(chǎn)量、推動農(nóng)業(yè)現(xiàn)代化的重要手段。傳統(tǒng)的作物病害識別技術(shù)存在一定局限性，依賴人工提取特征，圖像分割難度較大，特別在復雜環(huán)境下的識別效果不佳。而隨著深度學習中卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network， 下文簡稱CNN）在圖像識別領(lǐng)域上的不俗表現(xiàn)，不少研究人員將CNN應用于農(nóng)作物的病害識別。研究表明，基于CNN的深度學習方法是目前對農(nóng)作物病害分類識別最先進、最有效的方法。本文將闡述傳統(tǒng)病害識別技術(shù)的原理和缺陷，并詳細介紹了CNN技術(shù)原理及其在農(nóng)作物病害識別中的應用案例，基于CNN的農(nóng)作物病害識別在未來發(fā)展和應用上提出幾點展望。

關(guān)鍵詞：深度學習;卷積神經(jīng)網(wǎng)絡;病害識別

中圖分類號：S-3 文獻標識碼：A DOI：10.19754/j.nyyjs.20201015009

引言

農(nóng)作物病害一直是制約農(nóng)業(yè)發(fā)展的一大難題。隨著精準農(nóng)業(yè)的發(fā)展，對農(nóng)作物病害進行快速準確地識別是提高農(nóng)作物產(chǎn)量，推動農(nóng)業(yè)現(xiàn)代化的重要手段。傳統(tǒng)的作物病害識別技術(shù)存在一定局限性，依賴人工提取特征，圖像分割難度較大，特別在復雜環(huán)境下的識別效果不佳。而隨著CNN在圖像識別領(lǐng)域上的不俗表現(xiàn)，不少研究人員將CNN應用于農(nóng)作物病害的檢測和診斷，并取得了較好的效果。

1 傳統(tǒng)病害識別方法

1.1 圖像識別技術(shù)實現(xiàn)過程

圖像識別指利用計算機技術(shù)對獲取的圖像進行預處理、特征提取和理解分析，以識別圖像中特定的1個或多個目標的技術(shù)。1個典型的圖像識別系統(tǒng)通常由4個部分構(gòu)成，如圖1所示。第1部分對原始圖像進行預處理，消除噪聲干擾，增強目標圖像信息，突出目標區(qū)域;第2部分是將圖像中的目標進行標記定位，然后將目標從背景中分割出來;第3部分是將提取到的目標圖像轉(zhuǎn)化成明確的數(shù)學描述，以便于計算機進行處理;第4部分利用視覺識別相關(guān)的函數(shù)或分類器算法進行判斷或分類，實現(xiàn)圖像的識別。

1.2 傳統(tǒng)的病害識別技術(shù)的缺陷

隨著信息化時代的發(fā)展，機器學習等智能技術(shù)已廣泛運用到農(nóng)業(yè)當中，大大提高了農(nóng)作效率及農(nóng)作物的品質(zhì)和產(chǎn)量，推動了智慧農(nóng)業(yè)的發(fā)展，但傳統(tǒng)的病害識別技術(shù)仍然有不小提升空間。

傳統(tǒng)的作物病害識別主要依賴于農(nóng)民長期積累的種植經(jīng)驗，研究人員選擇特征對象時，缺乏公認的依據(jù)。同時特征樣本主要靠人工采集并加以標注，不僅很難準確地獲取目標作物病害的樣本數(shù)據(jù)，也對樣本規(guī)模有一定局限性。傳統(tǒng)識別技術(shù)中圖像分割的難度較大，特別是在復雜背景下實現(xiàn)圖像準確地自動分割在圖像處理領(lǐng)域始終是一個難題。同樣，特征提取主要依賴人工干預，并不能保證作物病害信息的準確度，也無法保證最終病害識別的精度。

2 基于卷積神經(jīng)網(wǎng)絡的農(nóng)作物病害識別

2.1 深度學習及卷積神經(jīng)網(wǎng)絡技術(shù)原理和發(fā)展

深度學習在機器學習的基礎(chǔ)上發(fā)展而來，是一種利用復雜結(jié)構(gòu)的多個處理層來建立深層次的神經(jīng)網(wǎng)絡模型，通過訓練大量的數(shù)據(jù)并學習有用的數(shù)據(jù)特征，實現(xiàn)對數(shù)據(jù)進行預測或分類。

CNN最早由日本學者福島[1]提出，是深度學習中的一種深度多層的監(jiān)督學習神經(jīng)網(wǎng)絡模型。1990年，LeCun等[2]在研究手寫數(shù)字識別問題時，提出了CNN模型LeNet-5，將BP算法應用到神經(jīng)網(wǎng)絡模型的訓練上，形成了當代CNN的雛形。2012年，Hinton教授及其團隊提出了經(jīng)典的CNN模型AlexNet[3]并在圖像識別任務上取得了重大突破，從此掀起了深度學習的熱潮。

CNN模型具有共享權(quán)值的網(wǎng)絡結(jié)構(gòu)和局部感知的特點，可以降低模型運算的復雜度，減少權(quán)值的數(shù)量。CNN結(jié)構(gòu)主要有輸入層、卷積層、池化層、全連接層和輸出層，如圖2所示。卷積層和池化層是實現(xiàn)特征提取的核心模塊，可以將原始圖像直接輸入CNN模型進行特征提取，無需人工干預，克服了傳統(tǒng)植物葉片識別依靠人工提取特征的缺陷。輸出層是一個分類器，會將池化后的多組數(shù)據(jù)特征組合成一組信號數(shù)據(jù)輸出，實現(xiàn)圖片分類識別。

CNN采用梯度下降的方法，用最小化損失函數(shù)對網(wǎng)絡中各節(jié)點的權(quán)重參數(shù)逐層調(diào)節(jié)，通過反向遞推，不斷地調(diào)整參數(shù)使得損失函數(shù)的結(jié)果逐漸變小，從而提升整個網(wǎng)絡的特征描繪能力，使CNN模型分類的精確度不斷提高。

2.2 卷積神經(jīng)網(wǎng)絡常見模型

2012年ImageNet比賽中AlexNet以出色的識別性能，首次確立了CNN在復雜模型中的高效性。AlexNet是典型的卷積-池化-全連接結(jié)構(gòu)，其結(jié)構(gòu)如圖3所示。模型在訓練中使用了ReLU激活函數(shù)取代了Sigmoid函數(shù)，避免了梯度彌散問題。模型首次運用多GPU進行加速訓練，加快訓練時間。訓練采用Dropout的正則化方法忽略一部分神經(jīng)元，減少全連接層的過擬合問題。區(qū)別之前CNN模型中普遍使用平均池化，AlexNet全部使用最大池化，避免平均池化的模糊效果。

2014年提出的VGG[4]本質(zhì)上是AlexNet一個推廣，結(jié)構(gòu)如圖4所示。該網(wǎng)絡的特點在于結(jié)構(gòu)簡潔規(guī)整，通過反復堆疊3×3的卷積使卷積核數(shù)量逐漸加倍來加深網(wǎng)絡，2個3×3卷積可以和5×5卷積達到一樣的感受野，3個3×3卷積可以和7×7卷積達到一樣的感受野。使用多個3×3卷積核代替單個較大卷積核捕捉上下左右的信息，很大程度上減少了參數(shù)的數(shù)量，提高訓練效率，后續(xù)的很多CNN模型結(jié)構(gòu)都采用了這種3×3卷積思想。

GoogLeNet于2014年提出[5]，該模型最大的特點就是引入了并行的Inception結(jié)構(gòu)，如圖5所示。當神經(jīng)網(wǎng)絡越到后面，特征越抽象，而且每個特征所涉及的感受野也更大。該模型融合不同尺度的特征信息，從網(wǎng)絡的寬度提升模型效果，改變網(wǎng)絡原串行的結(jié)構(gòu)。隨著層數(shù)的增加，在3×3、5×5的卷積前添加一個1×1的卷積，不僅可以降維，還能修正線性激活函數(shù)。該模型不僅提升了網(wǎng)絡的深度，還大大減少了參數(shù)量，參數(shù)量僅為AlexNet的20%左右，使得模型更加簡潔高效。

ResNet（Deep residual network，深度殘差網(wǎng)絡）的提出[6]是CNN發(fā)展史上重要的里程碑。隨著CNN網(wǎng)絡層數(shù)的加深，網(wǎng)絡的訓練過程會出現(xiàn)梯度消失和梯度爆炸現(xiàn)象，且退化問題也會使網(wǎng)絡的準確率在網(wǎng)絡層次增加時出現(xiàn)飽和甚至下降。該模型引入殘差結(jié)構(gòu)（Residual Structure），如圖6所示，實現(xiàn)網(wǎng)絡中的層層之間恒等映射（identity mapping），網(wǎng)絡的深度可以達152層，比VGG深8倍，且隨著網(wǎng)絡深度加深分類的準確率不會有下降的趨勢。

DenseNet是2017年提出的一種全新的網(wǎng)絡結(jié)構(gòu)[7]，基于ResNet模型殘差連接的進一步研究，并提出了Dense Block（密集連接模塊）如圖7。在每一個Dense Block中，每一層都會使用前面所有層的特征映射作為輸入，并且使用自身的特征映射作為所有后續(xù)層的輸入，這樣后面的網(wǎng)絡層都可獲得前面所有層的信息，降低梯度消失的可能性。該模型在ImageNet上和ResNet達到差不多的性能但參數(shù)量縮了1/2。

3 卷積神經(jīng)網(wǎng)絡在農(nóng)作物病害識別中的應用

3.1 應用案例

因為CNN在圖像識別領(lǐng)域表現(xiàn)突出，不少外國研究者將CNN應用到農(nóng)作物病害識別中，且均表現(xiàn)出高水平的性能。Mohanty[8]、Sladojevic[9]、Amara[10]、Brahimi[11]、Ferentinos[12]等利用涵蓋海量的植物種類及病害圖像的數(shù)據(jù)集PlantVillage，對分別基于LeNet、AlexNet、GoogLeNet、CaffeNet、VGG等各種CNN模型進行識別訓練，訓練后的模型可以快速準確地對給定圖像進行識別分類，識別準確率及其它識別性能都優(yōu)于傳統(tǒng)機器學習方法如支持向量機（SVM）和隨機森林（Random Forest）。Fuentes等[13]提出了一種基于CNN的番茄病害識別診斷系統(tǒng)，利用自行采集的大量番茄病害圖像作為特征數(shù)據(jù)集，該系統(tǒng)識別準確率達到96%，比之前復雜的識別方法[14]提高了13%。研究證明，CNN非常適合通過對簡單葉片圖像的分析來實現(xiàn)農(nóng)作物病害的自動檢測和診斷。

近年來國內(nèi)不少研究人員也進行相關(guān)的應用研究。馬浚誠等[15]構(gòu)建了一個基于CNN的溫室黃瓜病害識別系統(tǒng)，結(jié)合LeNet-5模型進行霜霉病和白粉病的分類訓練，準確率達95.7%。Xiaoxiao等[16]基于CNN進行茶葉葉片病害的識別研究，結(jié)果表明，基于SVM、BP神經(jīng)網(wǎng)絡、CNN 3種方法的識別準確率分別為89.36%、87.69%和93.75%，顯然基于CNN的方法識別效果更好。李凱雨[17]基于CNN模型對小麥、花生和煙草3類農(nóng)作物共7種病害進行識別研究，使用平均精度、查準率、查全率和F-1值對AlexNet、GoogLeNet和VGG-16 3個模型進行評估，對比分析可知，VGG-16在不同病害上的識別性能最優(yōu)。

研究人員基于已有的深度學習及CNN技術(shù)原理和應用做進一步的優(yōu)化和設(shè)計，促使深度學習及CNN在病害識別領(lǐng)域上不斷擴充和發(fā)展，更有效地將其應用到復雜的現(xiàn)實環(huán)境檢測中。孫俊等[18]基于改進AlexNet模型，提出一種批歸一化與全局池化相結(jié)合的CNN模型，可對14種作物共26類病害進行快速識別，模型訓練僅迭代3次就能達到90%以上準確率。Bin等[19]提出了一種可對蘋果葉病自動識別的CNN模型，該模型在AlexNet基礎(chǔ)下結(jié)合GoogLeNet的Inception結(jié)構(gòu)提高特征提取能力。2種基于AlexNet優(yōu)化的模型都比原來識別性能更好，參數(shù)量大大減少，收斂速度更快，泛化能力和魯棒性更強。許景輝等[20]、李丹等[21]結(jié)合遷移學習方法，先讓CNN模型在ImageNet數(shù)據(jù)集中訓練后得到權(quán)重和參數(shù)數(shù)據(jù)，再移植到新構(gòu)建的CNN模型中并進行訓練;該方法相比全新學習的模型訓練方式大大縮減了訓練時間，且有很高的識別準確率。Jing等[22]、楊晉丹等[23]、邱靖等[24]針對農(nóng)作物特定病害的識別設(shè)計CNN模型，采用不同的卷積核類型、池化類型等構(gòu)造模型進行試驗，對比分析后分別篩選出一種最優(yōu)的模型，為進一步提高農(nóng)作物病害診斷的效率和準確性提供了依據(jù)。曾偉輝等[25-27]設(shè)計了一個農(nóng)作物病害圖像識別系統(tǒng)AES-CDR（Crop Disease Recognition），該系統(tǒng)提出的高階殘差和參數(shù)共享反饋的卷積神經(jīng)網(wǎng)絡模型（High-Order Residual and Parameter-Sharing Feedback Convolutional Neural Network， HORPSF），解決了復雜環(huán)境下農(nóng)作物病害識別精度不高、魯棒性弱的問題，提出的基于自注意力的卷積神經(jīng)網(wǎng)絡（Self-Attention Convolutional Neural Network ， SACNN）使CNN學習專注于病斑區(qū)域的有效特征提取;該系統(tǒng)實現(xiàn)了在復雜環(huán)境下農(nóng)作物病害圖像的高精度和強魯棒性的識別，為農(nóng)作物病害快速診斷和防治提供技術(shù)支持。林樂堅等[28]提出了一種基于改進Faster R-CNN的苦瓜葉部病害目標檢測方法，在ResNet-50模型的基礎(chǔ)下融入了特征金字塔網(wǎng)絡（Feature Pyramid Networks，F(xiàn)PN）的特征提取網(wǎng)絡，實驗表明，該模型在自然環(huán)境下苦瓜的多種病害的自動檢測識別性能表現(xiàn)優(yōu)良，并且優(yōu)化了對小目標的檢測。該模型有較好的魯棒性和泛化能力，能適應復雜的自然環(huán)境，對后續(xù)瓜果類病害目標定位及按需噴灑農(nóng)藥奠定了研究基礎(chǔ)。

3.2 基于卷積神經(jīng)網(wǎng)絡的農(nóng)作物病害識別技術(shù)的優(yōu)缺點

近年來不少研究表明，將CNN應用于農(nóng)作物病害識別，比傳統(tǒng)圖像識別技術(shù)表現(xiàn)出更好的性能?；贑NN的農(nóng)作物病害識別技術(shù)的優(yōu)勢：識別快而準，魯棒性強，泛化能力強;避免人工提取特征的局限性和特征分割的復雜操作，降低了前期特征采樣中對目標特征錯判、漏判的風險;更好地實現(xiàn)在復雜環(huán)境中對農(nóng)作物的快速定位，并自動進行病害識別診斷。

然而該技術(shù)仍有不足，開發(fā)設(shè)計新的算法和模型難度很大，需要海量的標注訓練樣本，且模型訓練計算量大，訓練時間長，硬件需求高，需要投入大量的人力物力和時間，大部分人只能使用現(xiàn)成的模型;CNN模型識別準確率很高，但始終難以達到100%，對于一張新的照片進行識別，無法保證結(jié)果是一定正確的;CNN模型可解釋性較差，調(diào)參優(yōu)化過于依賴個人經(jīng)驗，且只靠實驗驗證，幾乎無法找到全局最優(yōu)解。

4 總結(jié)與展望

4.1 軟硬件系統(tǒng)協(xié)同發(fā)展

CNN模型的訓練需要海量的樣本，且模型中大量的超參數(shù)也會產(chǎn)生龐大的計算量，訓練耗時長。要想加快訓練的速度，節(jié)約時間成本，則需要更高性能的GPU作為硬件支持。隨著深度學習不斷應用和發(fā)展，為了達到更高的性能，CNN模型也設(shè)計得越來越深，算法運行也會越來越復雜，需要更便捷而強大的軟件系統(tǒng)作為模型搭建平臺。因此，若想將CNN進一步研究和推廣，則對計算機的軟硬件系統(tǒng)配置都有越來越高的需求。在考慮成本的情況下，軟硬件系統(tǒng)協(xié)同發(fā)展，才能為CNN的發(fā)展作基礎(chǔ)支持。

4.2 提高三維動態(tài)信息識別的準確率和穩(wěn)定性

目前CNN在農(nóng)業(yè)領(lǐng)域的研究和應用，大多都是針對農(nóng)作物的靜態(tài)圖像進行檢測識別，在復雜程度更高的三維時空信息，如視頻分析任務中識別表現(xiàn)一般。動態(tài)信息識別研究在特征提取時需要同時在時間維度和空間維度上處理，三維CNN模型理論上有更多的參數(shù)和更龐大的計算量，同時也缺少像二維圖像模型一樣海量的訓練集。提高三維模型的識別性能，也是未來重點研究方向。

4.3 卷積神經(jīng)網(wǎng)絡與VR的結(jié)合

VR（Virtual Reality，虛擬現(xiàn)實技術(shù)）是一種可以創(chuàng)建和體驗虛擬世界的計算機仿真系統(tǒng)，是近年來熱門的高新技術(shù)產(chǎn)業(yè)。結(jié)合5G通信技術(shù)，未來萬物互聯(lián)智能化發(fā)展必將更上一層樓。在農(nóng)業(yè)領(lǐng)域中結(jié)合CNN和VR技術(shù)，不僅可以通過機器人和VR設(shè)備獲得沉浸式體驗，如臨真實環(huán)境中，還可以遠程操縱機器人，在復雜環(huán)境下實時準確地完成目標定位或檢測任務。

4.4 卷積神經(jīng)網(wǎng)絡與高光譜成像技術(shù)的結(jié)合

高光譜成像技術(shù)（Hyperspectral Imaging）可以同時獲取農(nóng)作物的圖像和光譜信息，從而反映出目標的各種生長屬性和品質(zhì)狀況，近年來逐漸成為農(nóng)作物快速無損檢測的重要手段。CNN病害識別系統(tǒng)大多基于農(nóng)作物外部缺陷的二維圖像進行檢測。通過高光譜成像技術(shù)獲取的光譜圖像及其反映出作物的內(nèi)部品質(zhì)信息，構(gòu)建CNN模型，可以快速準確地對作物病害進行分類，并且可以實現(xiàn)農(nóng)作物早期病害在復雜環(huán)境下的無損檢測，早發(fā)現(xiàn)早防治，降低病害對作物的影響，進而提高農(nóng)作物產(chǎn)量。

參考文獻

[1] Fukushima K. Neocognitron： A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J]. Biological Cybernetics， 1980， 36（4）： 193-202.

[2]Lecun Y ， Boser B ， Denker J ， et al. Backpropagation Applied to Handwritten Zip Code Recognition[J]. Neural Computation， 2014， 1（4）：541-551.

[3]Krizhevsky A ， Sutskever I ， Hinton G. ImageNet Classification with Deep Convolutional Neural Networks[C]. International Conference on Neural Information Processing Systems， 2012：1097-1105.

[4]Simonyan K ， Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. 2015 International Conference on Learning Representations， 2015：1482–1496.

[5]Szegedy C ， Liu W ， Jia Y ， et al. Going deeper with convolutions[C]. The IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2015：1-9.

[6]He K ， Zhang X ， Ren S ， et al. Deep residual learning for image recognition[C]. The IEEE Conference on Computer Vision and Pattern Recognition（CVPR）， 2016：770-778.

[7]Huang G ， Liu Z ， Laurens V D M ， et al. Densely connected convolutional networks[C]. The IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2017： 2261-2269.

[8]Mohanty S ， David H ， Marcel S. Using deep learning for image-based plant disease detection[J]. Front Plant Sci， 2016（7）：1419.

[9]Srdjan S ， Marko A ， Andras A ， et al. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification[J]. Computational Intelligence and Neuroscience， 2016：1-11.

[10]Amara J ， Bouaziz B ， Algergawy A. A Deep Learning-based Approach for Banana Leaf Diseases Classification[C]. BTW （Workshops）， 2017：79-88.

[11]Brahimi M ， Boukhalfa K ， Moussaoui A . Deep Learning for Tomato Diseases： Classification and Symptoms Visualization[J]. Applied Artificial Intelligence， 2017， 31（4-6）：1-17.

[12]Ferentinos K . Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture， 2018（145）：311-318.

[13]Fuentes A F ， Sook Y ， Jaesu L ， et al. High-Performance Deep Neural Network-Based Tomato Plant Diseases and Pests Diagnosis System With Refinement Filter Bank[J]. Frontiers in Plant Science， 2018（9）：1162.

[14]Fuentes A ， Sook Y ， Sang K ， et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition[J]. Sensors， 2017， 17（9）：2022-2043.

[15]馬浚誠，杜克明，鄭飛翔，等. 基于卷積神經(jīng)網(wǎng)絡的溫室黃瓜病害識別系統(tǒng)[J]. 農(nóng)業(yè)工程學報， 2018， 34（12）： 186-192.

[16]Sun X ， Mu S ， Xu Y ， et al. Image recognition of tea leaf diseases based on convolutional neural network[C]. 2018 International Conference on Security， Pattern Analysis， and Cybernetics （SPAC）， 2018：304-309.

[17]李凱雨. 基于深度學習的農(nóng)作物病害識別[D]. 河南農(nóng)業(yè)大學， 2018.

[18]孫俊，譚文軍，毛罕平，等. 基于改進卷積神經(jīng)網(wǎng)絡的多種植物葉片病害識別[J]. 農(nóng)業(yè)工程學報， 2017， 33（19）： 209-215.

[19]Bin L ， Yun Z ， Dongjian H ， et al. Identification of Apple Leaf Diseases Based on Deep Convolutional Neural Networks[J]. Symmetry， 2017， 10（1）：11.

[20]許景輝，邵明燁，王一琛，等. 基于遷移學習的卷積神經(jīng)網(wǎng)絡玉米病害圖像識別[J]. 農(nóng)業(yè)機械學報， 2020， 51（02）： 230-236.

[21]李丹. 基于遷移學習和改進殘差神經(jīng)網(wǎng)絡的黃瓜葉部病害識別方法[J]. 農(nóng)業(yè)工程， 2020， 10（06）： 36-40.

[22]Chen J ， Liu Q ， Gao L. Visual Tea Leaf Disease Recognition Using a Convolutional Neural Network Model[J]. Symmetry， 2019， 11（3）：343.

[23]楊晉丹，楊濤，苗騰，等. 基于卷積神經(jīng)網(wǎng)絡的草莓葉部白粉病病害識別[J]. 江蘇農(nóng)業(yè)學報， 2018， 34（03）： 527-532.

[24]邱靖，劉繼榮，曹志勇，等. 基于卷積神經(jīng)網(wǎng)絡的水稻病害圖像識別研究[J]. 云南農(nóng)業(yè)大學學報（自然科學）， 2019， 34（05）： 884-888.

[25]曾偉輝. 面向農(nóng)作物葉片病害魯棒性識別的深度卷積神經(jīng)網(wǎng)絡研究[D]. 中國科學技術(shù)大學， 2018.

[26]曾偉輝，李淼，李增，等. 基于高階殘差和參數(shù)共享反饋卷積神經(jīng)網(wǎng)絡的農(nóng)作物病害識別[J]. 電子學報， 2019， 47（09）： 1979-1986.

[27]曾偉輝，李淼，張健，等. 面向農(nóng)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(shù)大學學報， 2019， 49（10）： 781-790.

[28]李就好，林樂堅，田凱，等. 改進Faster R-CNN的田間苦瓜葉部病害檢測[J]. 農(nóng)業(yè)工程學報， 2020， 36（12）： 179-185.

（責任編輯 周康）

收稿日期：2020-08-23

作者簡介：范偉堅（1996-），男，在讀碩士。研究方向：田間作物病害智能識別;林樂堅（1996-），男，在讀碩士。通訊作者李就好（1963-），男，教授。