基于改进残差网络的农作物病害识别系统

我国农作物的种类繁多，且每种农作物都可以患一种或多种的病害，为了准确识别出农作物所患病害的种类，本文提出一种基于改进的残差网络模型对农作物病害进行识别的研究方法。设计并实现了基于Android平台的移动端农作物病害识别系统，该系统可以通过拍照上传或是手机相册上传的方式来对选择的农作物病害图像进行识别并显示其病害种类及其患病程度，以及显示对应病害防护的主要方法。并且识别的准确率高达96.35%。

我国是个农业大国，农业产业产量居世界首位，俗话说“民以食为天”，农业发达则社会稳定。人们的生活离不开衣食住行，其中粮食是重中之重。据国家统计局统计，2019 年我国的农作物播种面积为1.65 亿公顷，较2017 年减少了40 万公顷，所以农作物病害对农业产量的影响不可忽视，甚至威胁到食物安全[1]。现在我国对开发农业信息化有了更高的重视，利用现代科学技术和现代工业来推动农业经济发展是现在国家重点发展的方面。农业现代化中重要的一项就是建立发达的农业，农业信息化促进农业可持续发展，将有利于我国农业现代化目标的实现[2]。随着深度学习的发展[3]，卷积神经网络[4]逐渐取代了传统的机器学习方法，在计算机视觉领域方面被广泛应用。图像识别[5]是指从含有目标的图像中识别出我们想要识别的目标和对象的技术，常见的图像识别技术包括：计算机视觉、模式识别、机器学习[6]等方法。图像识别技术被广泛用于生活中的各个方面[7]。

随着智能化技术的发展，手机的系统性能也越先进，功能越来越多，各种安卓应用应运而生。手机摄像功能为图像识别奠定了良好的基础。如果能够在手机系统上设计一个农作物病害的识别的应用，那将会极大地方便农作物种植者对农作物病害的识别。当农作物种植者在无法确认农作物所患病害时可以通过手机拍照上传到相应的识别应用，这样就可以实现快速、准确的识别。且保证了低成本、耗时短， 方便农作物种植者及时地识别农作物病害并采取相应的防治手段。从而有效地减少识别错误带来的经济损失。

本文提出一种改进的残差网络结构模型，引入注意力机制提高模型识别性能，对农作物病害图像进行识别，避免人为主观因素影响识别结果。优化残差网络的结构和参数，构建基于改进残差网络的农作物病害图像识别模型，提高农作物病害图像的识别分类的性能，并将农作物识别模型搭载到相应的应用程序上，实现快速有效的识别。

2. 病害图像数据集 本文的研究对象为苹果、马铃薯、葡萄、玉米、辣椒和草莓这6 种农作物所患的25 种病害叶片图像， 收集以上种类的病害图像作为本文的数据集样本，图像采集主要采用的方法是通过互联网搜索植物村(plant village)、美国植物病例协会(APS Net)等植物病害网站，在网站中下载需要的病害图像。

由于网络模型的性能极大一部分由数据集的大小决定，通常来说训练数据集的样本越多，相应的深度卷积神经网络模型的识别性能越好，泛化性能越好，并且减少过拟合。所以有充足的数据集是模型拥有强大的泛化能力的大前提。然而实际采集的数据会受到光照条件，噪声等影响，往往很难得到想要的病害图像，病害图像相比于其他的数据集来说，收集难度更大。因此我们需要采取一些技术方法来获得更多的数据，保证有充足的数据集，使模型的性能更好。其中扩充数据集的一种有效的方法就是数据增