农作物病害识别对于农作物病害的准确诊断和科学防治具有极其重要的作用,也是农产品产量和品质的重要保障。我国是农业大国,民以食为天。农业是人类的衣食之源、生存之本,是国民经济建设和发展的基石。农作物安全生产是提高农业经济效率,促进农业可持续发展的必要条件,更是构建和谐社会,建设社会主义新农村的重要保障。随着生活水平的日渐提高,人们对日常农作物品质的要求也越来越高,农作物病害是限制农业生产的重要影响因素,其影响范围广、危害大等特点,将直接影响农作物的产量和品质。有鉴于此,本论文旨在研究面向实际环境下的农作物病害图像的鲁棒性识别,以有效改善因缺乏专业知识无法准确诊断病害的限制,促进以人工智能技术为载体的农业专家知识和经验的推广普及,从而显著提高农作物病害的诊断和防治效果。本论文的主要创新点包括:1、针对实际环境下农作物病害识别精度不高的问题,提出了一种高阶残差卷积神经网络方法(High-Order Residual Convolutional Neural Network,HOResNet),用来实现农作物病害的快速准确识别。高阶残差网络可以为病害表观提供丰富细致的特征表达,能够有效提高模型的病害识别精度,同时还具有一定的抗干扰能力,一定程度上能够提高系统的鲁棒性。通过对自然环境下采集的AES-CD9214数据集进行精度和鲁棒性测试实验,结果表明,基于高阶残差的深度卷积神经网络能实现对农作物病害的准确而鲁棒的识别。2、针对实际环境下农作物病害识别鲁棒性弱的问题,提出了一种高阶残差和参数共享反馈的卷积神经网络模型(High-Order Residual and Parameter-Sharing Feedback Convolutional Neural Network,HORPSF),以实现实际环境下农作物病害的高精度和强鲁棒性的识别。该方法中高阶残差子网络为病害表观提供丰富细致的特征表达,能够有效提高模型的病害识别精度;参数共享反馈子网络使得原深层特征中的背景噪声进一步被抑制,能够有效提高模型的鲁棒性。通过和现有方法在公有数据集MK-D2上对比结果显示,提出的HORPSF方法在兼顾识别准确率、识别鲁棒性方面,表现更为优异。同时通过对AES-CD9214数据集上的测试结果表明,HORPSF方法能实现实际环境下农作物病害的高精度和强鲁棒性的识别。3、针对农作物病害图像背景复杂、病斑区域小、病斑与背景对比度小从而容易造成两者混淆等特点而严重影响病害识别效果,导致识别鲁棒性不高的问题,提出了 一种基于自注意力的卷积神经网络(Self-Attention Convolutional Neural Network,SACNN),以实现农作物病害病斑有效特征的提取以及农作物病害识别的高精度。SACNN方法包括基本网络和自注意力网络。其中基本网络主要用于提取图像全局特征,自注意力网络主要用于获取病斑区域的局部特征。实验结果表明,SACNN方法在数据集AES-CD9214和MK-D2上的识别准确率分别达到了 95.31%和97.0%,其中在MK-D2上的识别准确率优于现有的方法1.9%,这表明引入自注意力机制的卷积神经网络能够重点关注图像重要区域,从而有效提高识别精度。在AES-CD9214测试集中添加不同等级的噪声测试显示了 SACNN方法对于噪声的抗干扰能力,说明了 SACNN方法具有强鲁棒性。此外,本论文还探讨了自注意力网络在深度网络中的位置选择、通道大小设置、网络数目等方面对识别性能的影响,以进一步清楚展示自注意力网络工作机制,希望能为其他研究者提供启发。综上所述,基于本论文提出的以上研究工作,实现了对实际环境下农作物病害图像识别的高精度和强鲁棒性,为农作物准确、鲁棒的诊断和防治提供技术支持,具有非常重要的理论研究意义和现实应用价值。