《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于深度學(xué)習(xí)的植物病害圖像識(shí)別算法綜述
基于深度學(xué)習(xí)的植物病害圖像識(shí)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(tái)研究生院； 2.武漢第二船舶設(shè)計(jì)研究所 海洋電磁探測(cè)與控制湖北省重點(diǎn)實(shí)驗(yàn)室
摘要： 植物病害對(duì)農(nóng)業(yè)生產(chǎn)和糧食安全構(gòu)成嚴(yán)重威脅,，及時(shí)準(zhǔn)確地識(shí)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(shí)別中的應(yīng)用現(xiàn)狀、挑戰(zhàn)及未來(lái)發(fā)展方向,。首先介紹了植物病害的重要性和傳統(tǒng)識(shí)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(shì)及其在植物病害識(shí)別中的應(yīng)用前景，特別是YOLO系列模型在植物病害實(shí)時(shí)檢測(cè)中的應(yīng)用,。同時(shí)對(duì)比了常見(jiàn)的深度學(xué)習(xí)算法在植物病害識(shí)別中的性能,，以及對(duì)數(shù)據(jù)集多樣性、實(shí)時(shí)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(lái)研究方向,。
中圖分類(lèi)號(hào)：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(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.
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(lái)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(chóng)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(lái)保護(hù)農(nóng)作物[1],。然而過(guò)量使用農(nóng)藥不僅會(huì)破壞生態(tài)平衡,，還會(huì)增加害蟲(chóng)的抗性[4]。

傳統(tǒng)疾病檢測(cè)方法依賴(lài)于訓(xùn)練有素的視覺(jué)評(píng)估[5],。這種方法完全依賴(lài)于人力資源,，速度慢且成本高[6]。因此,，研究人員們?cè)诨跈C(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的目標(biāo)檢測(cè)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(shì)[8],。

近年來(lái)，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(cè)主要有兩種類(lèi)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(lèi)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(cè)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(chóng)害實(shí)時(shí)檢測(cè)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(cè)的新前沿[9],。

雖然YOLO算法提高了檢測(cè)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(chǎng)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(chǎng)景上性能提升，但在初始場(chǎng)景上性能會(huì)下降,，這被稱(chēng)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(qǐng)下載：

http://forexkbc.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(cè)與控制湖北省重點(diǎn)實(shí)驗(yàn)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,。