基于深度遷移學(xué)習(xí)的EfficientNet玉米葉部病害識別

王大慶，祿 琳，于興龍，耿麗麗，任志鵬*

（1.黑龍江省農(nóng)墾經(jīng)濟研究所，哈爾濱 150030；2.黑龍江省農(nóng)墾科學(xué)院，哈爾濱 150030；3.二道河農(nóng)場，黑龍江 佳木斯 154000）

玉米是世界上重要糧食作物和工業(yè)原料，穩(wěn)定產(chǎn)量對糧食安全、農(nóng)民增收和國民經(jīng)濟具有重要意義，病害是降低玉米質(zhì)量和產(chǎn)量直接因素。常見玉米病害達(dá)十幾種，病發(fā)處多為葉部、穗部和根部，其中以葉部大斑病、銹病及灰斑病為主。玉米葉部病害識別是現(xiàn)階段智慧農(nóng)業(yè)重點發(fā)展領(lǐng)域，快速、準(zhǔn)確識別葉部病害，對玉米病害防治具有重要意義。

病害識別本質(zhì)為圖像分類任務(wù)，傳統(tǒng)機器學(xué)習(xí)“特征提取+分類器”模式已被深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）取代。CNN 在不同作物的表觀病害識別任務(wù)效果良好，對葉部、莖部病害、蟲害均具有較高的準(zhǔn)確率[1-4]。早期研究注重網(wǎng)絡(luò)架構(gòu)與訓(xùn)練方法的調(diào)整，如調(diào)整超參數(shù)、簡化模型，尤其是通過跳躍連接、空間卷積和較短隱藏層連接的CNN[5-6]。近年來，數(shù)據(jù)集的重要性逐漸受到關(guān)注，尤其是基于真實環(huán)境采集的數(shù)據(jù)集與合理的數(shù)據(jù)增強方法[7-8]。通過調(diào)整CNN架構(gòu)[9]，構(gòu)建完備數(shù)據(jù)集，進(jìn)行合理預(yù)處理和增強（如分割、去除背景等），優(yōu)化訓(xùn)練方式等方法可有效增強CNN模型性能[10]。

研究表明，CNN 病害識別方法存在環(huán)境魯棒性問題[11]。作物病害發(fā)病隨機性強，大多數(shù)研究不具備采集真實環(huán)境數(shù)據(jù)條件，其訓(xùn)練樣本數(shù)據(jù)均來自于受控條件或公用數(shù)據(jù)集，數(shù)據(jù)集背景簡單，規(guī)模小，僅能通過數(shù)據(jù)增強方式堆積樣本量。……