摘要：植物病害对农业生产和粮食安全构成严重威胁，及时准确地识别和处理成为关键步骤。综述了深度学习在植物病害识别中的应用现状、挑战及未来发展方向。首先介绍了植物病害的重要性和传统识别方法的局限性，然后探讨了深度学习技术的优势及其在植物病害识别中的应用前景，特别是YOLO系列模型在植物病害实时检测中的应用。同时对比了常见的深度学习算法在植物病害识别中的性能，以及对数据集多样性、实时性和灾难性遗忘等挑战进行了分析。最后，提出了持续学习和模型更新的重要性，并展望了未来研究方向。

0 引言

农业是人民的重要生活来源之一，在经济中发挥着至关重要的作用[1]。随着人口的增加，全球作物需求显著增加，但作物疾病对农业生产构成重大威胁[1]。据统计，植物病害占全球粮食损失的70%~80%[2]。由于缺乏对作物的观察，病虫害的侵扰在很大程度上仍然未知[3]。传统上农药被用来保护农作物[1]。然而过量使用农药不仅会破坏生态平衡，还会增加害虫的抗性[4]。

传统疾病检测方法依赖于训练有素的视觉评估[5]。这种方法完全依赖于人力资源，速度慢且成本高[6]。因此，研究人员们在基于机器学习和计算机视觉的目标检测研究方面做出了重大努力[7]。Alagumariappan等人设计了一种实时决策系统，实现了高精度植物疾病识别，展现了机器学习相比手动方法的优势[8]。

近年来，卷积神经网络（Convolutional Neural Networks，CNN）成为图像识别领域的主流技术之一[9]。基于深度学习的对象检测主要有两种类型：基于区域的卷积网络结构和使用CNN网络结构直接处理整个图像[4]。在前者中，Rangarajan等人比较了用于作物识别的各种深度学习方法，发现AlexNet算法对特定任务的平均精度最高[5]，但这种类型的方法比较耗时。

为了应对这些挑战，一种突出的实时物体检测算法是YOLO（You Only Look Once）[6]。Wang等人提出了一种基于改进YOLOv3番茄病虫害实时检测算法[4]。Liu等人介绍了YOLOv5s增强版本，提高了模型在复杂环境中识别病害的能力[6]。此外，YOLO的最新进展，包括YOLOv8，展示了物体检测的新前沿[9]。

虽然YOLO算法提高了检测的准确性和效率，但当环境变化时，需要对整个模型重新训练。新场景的数据会对模型权重产生影响，模型在新场景上性能提升，但在初始场景上性能会下降，这被称为灾难性遗忘[10]。

本文旨在综述深度学习在植物病害识别中的研究进展和主要挑战，并探讨灾难性遗忘和持续学习的应用前景，促进深度学习在农业中的广泛应用。

1 植物病害识别中常用模型

……

2 YOLO系列模型在植物病害识别中的应用分析

……

3 植物病害识别的挑战

……

4 持续学习在模型更新和优化中的作用

……

5 结论

……

作者单位：哈尔滨工程大学 烟台研究生院、武汉第二船舶设计研究所 海洋电磁探测与控制湖北省重点实验室

点击此处查阅/下载论文完整内容

本文收录于《电子技术应用》2025年01期！

点击杂志封面进入电子期刊专栏

↓ ↓ ↓