使用现代卷积神经网络架构（如ResNet、DenseNet）识别38种植物病害，并生成一

# **0 背景** 农业领域的农业病害对当前农林业是一个巨大的挑战，它时刻影响着人类的经济效益。精准且快速的诊断植物病害可以及时减少植物病害对经济带来的损失。而如今植物病害种类繁多，不同生长阶段的植物存在不同种类的植物病害，这导致非专业人士对于植物病害的分裂经常不够精确，快速。转变深度学习的不断发展，图像识别在众多领域得到了广泛的应用，相对于人工识别植物病害，采用计算机视觉技术识别不仅成本低而且时效快，同时又可以减少经济成本和因为时延所带来的损失。 在很多领域提出了一些效果显着的模型，但是模型基本都是基于CNN的传统卷积架构模型，在卷积神经网络（CNN）中未广泛应用之前，植物病害图像的特征很难提取。然而在农业病害图像识别种类上，过去的研究工作进行分类识别的种类数普遍偏少，采用现代卷积网络架构的模型偏少，如何进行精细，多种类的植物病害识别并没有太多相关研究。  # **1 一些卷积神经网络结构** ## **ResNet**  ## **ResNeXt**  ## **DenseNet**  # **2 一些实验对比** ## **对比一**  ## **对比二**  # **3 样例类激活图** ## **番茄病害**  ## **玉米病害**  ## **多种混合病害**  # **4 简单的操作界面**