迁移学习方式并结合深度学习提出了一种基于残差网络（ResNet 50）的 CDCNNv2 算法。通过对 10类作物 3 万多幅病虫害图像进行训练，获得了病虫害严重程度分类的模型，识别准确率可达91.51%。为了验证模型的鲁棒性，分别与使用迁移学习的 ResNet 50、Xception、VGG16、VGG19、 DenseNet 121 进行对比试验，试验结果表明 CDCNNv2 网络的平均精度提升了 2.78 ~ 10.93 个百分点，具有更高的分类精度，并加强了病虫害严重程度识别的鲁棒性。
公开数据集，是由AI Challenger 2018提供的农作物病虫害数据集，共包含 36261 幅标注的图像，其中训练集有31721 幅图像，验证集包含 4540 幅图像。
当图像进行了随机光亮度增减之后，将图像归一化到-1 与 1 之间，随后设置中心点随机旋转一定角度，再进行镜面翻转，最后将图像统一到 229 像素×229 像素。
CDCNNv2 模型是基于残差网络 ResNet 50改进而来，按照深度学习的效果而言，识别性能会随着网络层数的加深而提高，但识别性能会在网络加深到某一个层数的时候达到饱和，此时继续加深网络层数，只会使得该网络在训练集上的表现有所减弱，称此现象为网络退化。而 ResNet 50 网络在训练的时候并非如此，其核心残差模块在网络达到最优的时候，可以通过恒等映射向后传输信息
