及时识别植物病害可以防止对作物的负面影响。卷积神经网络，尤其是深度学习在机器视觉和模式识别任务中有着广泛的应用。研究人员提出了不同的深度学习模型来识别植物中的疾病。然而，深度学习模型需要大量的参数，因此所需的训练时间更多，也很难在小型设备上实现。本文提出了一种基于初始层和剩余连接的深度学习模型。深度可分离卷积用于减少参数数量。该模型已在三种不同的植物病害数据集上进行了训练和测试。在plantvillage数据集上获得的性能精度为99.39%，在水稻病害数据集上获得的性能精度为99.66%，在木薯数据集上获得的性能精度为76.59%。与目前最先进的深度学习模型相比，该模型参数较少，精度更高。
索引词植物疾病，机器学习，深度学习，深度卷积，点式卷积。
I. INTRODUCTION
主要由细菌和真菌引起的作物病害对作物的产量和质量产生负面影响[1]。及时识别和保护作物的主要症状是一项挑战。在发展中国家，由专家和农学家目视识别大型农场中的疾病是主要的方法，这既耗时又昂贵。使用智能设备自动识别疾病是识别和降低总体成本的一种很有前途的方法[2]。近年来，深度学习特别是卷积神经网络（CNN）在农业领域得到了广泛关注，如植物检测[3]、水果检测[4]、疾病识别[5]–[7]、杂草检测[8]、害虫识别[9]等。基于CNN的模型之所以受欢迎，是因为从数据集中自动提取适当的特征。已经开发了几种流行的基于深度学习的模型，如AlexNet[10]、GoogleNet[11]、VGGNet[12]、ResNet[13]、DenseNet[14]等，用于识别植物病害。
实时应用和使用深度学习体系结构识别疾病正受到世界各国的关注 目前的情况。深度学习模型中使用的参数数量和计算成本取决于深度和模型中使用的滤波器数量。深度学习模型通常需要大量的参数。因此，深度学习模型
