《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應(yīng)用 > 基于深度學(xué)習(xí)的植物病害圖像識別算法綜述
NI-LabVIEW 2025
基于深度學(xué)習(xí)的植物病害圖像識別算法綜述
電子技術(shù)應(yīng)用
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) 煙臺研究生院； 2.武漢第二船舶設(shè)計研究所 海洋電磁探測與控制湖北省重點(diǎn)實驗室
摘要： 植物病害對農(nóng)業(yè)生產(chǎn)和糧食安全構(gòu)成嚴(yán)重威脅，及時準(zhǔn)確地識別和處理成為關(guān)鍵步驟。綜述了深度學(xué)習(xí)在植物病害識別中的應(yīng)用現(xiàn)狀、挑戰(zhàn)及未來發(fā)展方向。首先介紹了植物病害的重要性和傳統(tǒng)識別方法的局限性，然后探討了深度學(xué)習(xí)技術(shù)的優(yōu)勢及其在植物病害識別中的應(yīng)用前景，特別是YOLO系列模型在植物病害實時檢測中的應(yīng)用。同時對比了常見的深度學(xué)習(xí)算法在植物病害識別中的性能，以及對數(shù)據(jù)集多樣性、實時性和災(zāi)難性遺忘等挑戰(zhàn)進(jìn)行了分析。最后，提出了持續(xù)學(xué)習(xí)和模型更新的重要性，并展望了未來研究方向。
中圖分類號：TP183 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245285
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.
Review of plant disease image recognition algorithms based on deep learning
Yang Hankun1，Zhu Bowei2，Zhang Yanmin2，Xu Yidong1
1.Yantai Research Institute， Harbin Engineering University；2.Hubei Key Laboratory of Marine Electromagnetic Detection and Control， Wuhan Second Ship Design and Research Institute
Abstract： Plant diseases pose a significant threat to agricultural production and food security, making timely and accurate identification and treatment critical. This article reviews the current status, challenges, and future directions of deep learning in plant disease identification. It begins by outlining the importance of plant diseases and the limitations of traditional identification methods, then explores the advantages of deep learning technologies and their application prospects in plant disease identification, especially the use of YOLO series models for real-time detection. Additionally, this article compares the performance of common deep learning algorithms in plant disease identification, and analyzes challenges such as dataset diversity, real-time performance, and catastrophic forgetting. Finally, it emphasizes the importance of continuous learning and model updates, and presents future research directions.
Key words : catastrophic forgetting；continuous learning；deep learning；plant disease identification；YOLO

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，但作物疾病對農(nóng)業(yè)生產(chǎn)構(gòu)成重大威脅[1]。據(jù)統(tǒng)計，植物病害占全球糧食損失的70%~80%[2]。由于缺乏對作物的觀察，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)藥不僅會破壞生態(tài)平衡，還會增加害蟲的抗性[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)計了一種實時決策系統(tǒng)，實現(xiàn)了高精度植物疾病識別，展現(xiàn)了機(jī)器學(xué)習(xí)相比手動方法的優(yōu)勢[8]。

近年來，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）成為圖像識別領(lǐng)域的主流技術(shù)之一[9]?；?a class="innerlink" href="http://ihrv.cn/tags/深度學(xué)習(xí)" target="_blank">深度學(xué)習(xí)的對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)直接處理整個圖像[4]。在前者中，Rangarajan等人比較了用于作物識別的各種深度學(xué)習(xí)方法，發(fā)現(xiàn)AlexNet算法對特定任務(wù)的平均精度最高[5]，但這種類型的方法比較耗時。

為了應(yīng)對這些挑戰(zhàn)，一種突出的實時物體檢測算法是YOLO（You Only Look Once）[6]。Wang等人提出了一種基于改進(jìn)YOLOv3番茄病蟲害實時檢測算法[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，需要對整個模型重新訓(xùn)練。新場景的數(shù)據(jù)會對模型權(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://ihrv.cn/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) 煙臺研究生院，山東 煙臺 265500；

2.武漢第二船舶設(shè)計研究所 海洋電磁探測與控制湖北省重點(diǎn)實驗室，武漢 湖北 430064）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。