通过智能算法来识别叶子的病虫害程度，

葡萄病害是造成葡萄严重减产的主要因素。所以发展是当务之急 葡萄叶片病害的自动识别方法。深度学习技术 最近在各种计算机视觉问题上取得了令人印象深刻的成就 启发我们将其应用到葡萄病害的鉴定工作中。提出了一种基于集成方法的联合卷积神经网络（CNNs）结构。建议的CNNs体系结构，即UnitedModel，旨在区分 葡萄常见病叶黑腐病和健康的叶子。多个cnn的组合使得提议的UnitedModel能够提取互补的鉴别特征。从而增强了UnitedModel的代表性。UnitedModel已在hold-out PlantVillage数据集上进行了评估，并与几种最新的CNN模型进行了比较。这个论文实验结果表明，UnitedModel在各种评价指标上都取得了最好的性能。UnitedModel的平均验证精度为99.17%，测试准确率98.57%，可作为决策支持工具帮助农民识别葡萄病害。

传统的农作物病虫害识别方法具有鲁棒性差、识别准确率低等问题,而卷积神经网络具有自动提取图像特征、泛化能力强、识别准确率高等特点。快速准确地识别出农作物病虫害类型不仅可以减少病害给农民带来的损失,还可以降低农药对生态环境带来的影响。因此找到一种简单易行的检测方法来快速检测农作物病虫害类型很有意义。基于此,笔者在实验中采用了一种基于残差网络改进的卷积神经网络,并以公开的植物数据集影像作为实验的数据集来训练神经网络,且引入了Xception、VGG-16网络模型进行比较,实验结果证明:笔者所提出的神经网络模型识别准确率达到了98.6%,高于xception的93%、VGG-16的95%。

包含轻微、中等、正常、严重四个等级的叶片照片，完整的matlab代码。