葡萄（Vitis vinifera L.）是世界范围内具有重要商业价值的主要水果作物。黑腐病、黑麻疹和叶枯病是葡萄中常见的三种疾病。及时准确的诊断对于防止疾病传播和减少生产损失至关重要。深度学习的进步为植物病害识别领域的新诊断算法打开了大门。本文提出了一种基于卷积神经网络（CNN）的葡萄病害识别方法。一个轻量级的6层CNN模型从零开始设计，并使用一个包含3个疾病类别和1个健康叶片图像数据集的开放存储库进行训练。该数据集共包含3423张葡萄树叶图像。该模型以70-30的训练测试比率进行训练。图像增强和早期停止技术被用来避免模型的过度拟合。该模型在测试数据集上的分类准确率达到98.4%。此外，提出的6层模型的关键特征是，与现有的预训练模型相比，它具有较少的可训练参数，从而降低了计算复杂度。
关键词:Convolution neural networks,Convolution neural networks,Grapevine
1 Introduction
葡萄是世界亚热带地区（如中欧和东南亚）最重要的商业粮食作物之一[4]。葡萄中的疾病导致葡萄生产的重大损失，不仅影响该国的贸易和经济，但贫穷的农民也是如此。因此，采用准确识别疾病的技术，从而为农民提供及时的诊断，变得至关重要。
传统的植物病害鉴定方法需要人工鉴定和对作物的深入了解。这些方法准确，但耗时费力[5,3]。当疾病的诊断到达农民手中时，感染率显著上升。这种情况会导致滥用杀虫剂，从而破坏环境，降低作物质量，影响人类健康[9,13]。随着计算机视觉和机器学习等技术的进步，各种植物病害识别算法被提出[1,2,10,14]。这些技术被认为是自动化疾病识别过程的一项有希望的举措。然而，在这些方法中，对分类有重要意义的特征是手工制作的，这不允许对它们
