田间自动小麦病害诊断系统摘要农作物病害是造成世界农业产业减产和经济损失的主要原因。监测作物的健康状况对于控制疾病的蔓延和实施有效的管理至关重要。本文提出了一种基于弱监督深层学习框架的田间自动小麦病害诊断系统，即深层多示例学习，在田间仅用图像标注进行图像训练实现了小麦病害识别与病害区域定位的统一。并应用一个新小麦病害数据库 2017(wdd2017)收集验证该系统的有效性。两种不同的体系结构，即 vgg-fcn-vd16 和 vgg-fcn-s，用 5 重交叉验证对 wdd2017 的平均识别率分别可以达到 97.95%和 95.12%，超过 vgg-cnn-vd16 和 vgg-cnn-s 两个传统 CNN 框架 93.27%和 73%的结果，实验结果表明该系统在精度参数相同的条件的识别下优于传统的卷积神经网络架构，同时保持相应的疾病领域的准确定位。此外，该系统已被打包成一个实时的移动应用程序，为农业疾病诊断提供支持。关键词：农业病害诊断小麦病害检测弱监督学习深多示例学习完全卷积网络1 引言作物病害诊断对防止疾病的蔓延和保持农业经济的可持续发展具有重要意义。一般来说作物病害的诊断是通过目测或显微镜技术手工完成的，证明是耗时的，而且由于主观知觉存在误差的风险。在这样的背景下，不同的光谱和成像技术已经研究了识别作物病害症状(布拉沃etal.，2004；魔兽 etal.，2005；chaerleetal.，2007；belasqueetal.，2008；秦等，2009)。虽然这些技术可以对作物病害做出相对快速的诊断，但它们离不开昂贵而笨重的传感器。随着计算机视觉技术的发展，关注的是关于图像检测技术对作物病害的生长(Camargo 和史米斯，2009；Arivazhagan 等，2013；barbedo，2014；Rastogietal.，2015)，它摆脱了时间成本和分子分析设备的束缚(马蒂内利等，2015。)。相反，人们只需要普通摄像机和消费级电子存储设备来进行作物病害鉴定。然而，这些方法几乎都是具体的任务，需要专家的知识来设计手工制作的特征提取器，只在理想的实验环境下的作物图像。做一个自动的作物病害诊断系统，可应用于现场的图像，一个必须面对一些棘手的挑战 barbedo(2016)：(1)复杂的背景图像，如树叶、土壤、石头，甚至人们的手，(2)不可控制的捕获条件，如光照、摄像机的角度和图像质量，(3)在一个图像中多叶或多个疾病领域的共生，(4)对疾病发展的不同阶段的不同特征，(5)在不同类别的疾病之间外观相似。从我们收集的小麦病害数据集中筛选出一些具有挑战性的样本，如图 1 所示。据我们所知，很...
