在智慧农业领域，农作物图像大数据是其中重要的研究内容之一，尤其是植物病害通常会有明显的病变表型，利用计算机视觉识别植物病害一直是智慧农业的研究热点之一。目前，大多数基于深度学习的植物病害诊断方法通常采用一个预训练的深度学习模型来识别病害叶片。然而，这些预训练模型往往是基于计算机视觉数据集而非植物学数据集训练得到的，这导致预训练模型缺乏植物病害的领域知识，影响了诊断的准确性和效率。此外，这种预训练方式也使得最终的诊断模型难以区分不同的植物病害，从而限制了精准农业的发展。为了解决这些问题，王崎团队收集和整理了40万左右的植物病害图像，并基于此病害数据集给出了50余种常见作物病害识别的预训练模型，大部分预训练模型的识别精度在90%以上，用于支持基于图像的植物病害诊断，并进行了实验验证，证明了植物病害预训练模型可以取得更高的准确率和更少的训练时间。该工作在顶级期刊Plant Phenomics发表论文“PDDD-PreTrain: A series of common-used pre-trained models support image-based plant disease diagnosis”，公共大数据国家重点实验室研究生董新宇为第一作者，导师王崎为第一通讯作者。

原文链接：https://spj.science.org/doi/full/10.34133/plantphenomics.0054