中文引用格式： 楊翰琨，朱博威，張彥敏，等. 基于深度學習的植物病害圖像識別算法綜述[J]. 電子技術應用，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.
引言
農業是人民的重要生活來源之一，在經濟中發揮著至關重要的作用[1]。隨著人口的增加，全球作物需求顯著增加，但作物疾病對農業生產構成重大威脅[1]。據統計，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，病蟲害的侵擾在很大程度上仍然未知[3]。傳統上農藥被用來保護農作物[1]。然而過量使用農藥不僅會破壞生態平衡，還會增加害蟲的抗性[4]。
傳統疾病檢測方法依賴于訓練有素的視覺評估[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器學習和計算機視覺的目標檢測研究方面做出了重大努力[7]。Alagumariappan等人設計了一種實時決策系統，實現了高精度植物疾病識別，展現了機器學習相比手動方法的優勢[8]。
近年來，卷積神經網絡（Convolutional Neural Networks，CNN）成為圖像識別領域的主流技術之一[9]?；?a class="innerlink" href="http://www.xxav2194.com/tags/深度學習" target="_blank">深度學習的對象檢測主要有兩種類型：基于區域的卷積網絡結構和使用CNN網絡結構直接處理整個圖像[4]。在前者中，Rangarajan等人比較了用于作物識別的各種深度學習方法，發現AlexNet算法對特定任務的平均精度最高[5]，但這種類型的方法比較耗時。
為了應對這些挑戰，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YOLOv3番茄病蟲害實時檢測算法[4]。Liu等人介紹了YOLOv5s增強版本，提高了模型在復雜環境中識別病害的能力[6]。此外，YOLO的最新進展，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確性和效率，但當環境變化時，需要對整個模型重新訓練。新場景的數據會對模型權重產生影響，模型在新場景上性能提升，但在初始場景上性能會下降，這被稱為災難性遺忘[10]。
本文旨在綜述深度學習在植物病害識別中的研究進展和主要挑戰，并探討災難性遺忘和持續學習的應用前景，促進深度學習在農業中的廣泛應用。
本文詳細內容請下載：
http://www.xxav2194.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 煙臺研究生院，山東 煙臺 265500；
2.武漢第二船舶設計研究所 海洋電磁探測與控制湖北省重點實驗室，武漢 湖北 430064）
