传统的病虫害识别工作依赖于植物保护学专家的人为识别,随着计算机技术的发展,人工智能技术逐渐被应用到病虫害识别上,人们可通过计算机模型实现病虫害的机器识别。虽然基于人为设计特征的病虫害识别方法取得了较好的识别效果,但特征的选取依赖于人为的筛选,所出现的参数数量有限,识别的准确率受专业知识的影响很大;此外,对于背景复杂的图像来说,由于缺乏对图像数据库中图像背景的整体分析,基于病症或病状或害虫特点所选取的特征很难实现目标与复杂背景的分离。相比较之下,深度学习网络具有强大的学习能力,在训练过程中无需人工提取特征,它会从某一病虫害的大量图像数据中自主提取图像的全局特征,可以选出成千上万的参数。在病虫害自动识别技术的发展过程中,图像数据库是最为基础的支撑,也是最有收集难度的工作。例如:除了要考虑图像数量和清晰度外,还要考虑不同时间、地点及环境条件下同一种病原物引发的病症或病状的差别,这就对图像采集和构建数据库提出了更多的要求。识别模型面对的是大众用户,用户上传的可能是任意环境条件下、任意发病时间内的不同发病程度的病虫害图像,如何保证在多种变化中提取到典型的特征成为了衡量数据库质量的关键。数据库的构建工作离不开植保专业人士的参与,它需要构建者对病虫害的发病特点、传播规律、全国分布情况等内容的熟知,在构建数据库时挑选合适的照片,使提取的特征有代表性,这样识别模型才能在大范围的推广中仍可以保持较高的识别准确率。从事植物病虫害研究的学者需要探究出一套系统的病虫害图像数据库构建方法,为此项研究提供宝贵的经验,助力人工智能技术在植保行业中的应用,进而促进农业大数据的发展。