农业是一个复杂的生命系统,具有典型的生态区域性和生理过程复杂性。信息技术是推动社会经济变革的重要力量,加速农业信息化发展成为了世界各国的共同选择。我国是个农业大国,对农业信息化技术与科学有着巨大需求。目前,大部分农业设备或者终端只能采集图像,缺乏加工功能,无法提取有指导农业生产管理的有用信息。对农业物联网终端的图像信息实现智能分析、处理、识别,使得系统能做出和智能生命体类似的响应,已经成为设备摆脱“视而不见”困局的首要任务。长势图像直观地、形象地表达了作物生长、发育、健康状况、受害程度,病因等方方面面的信息。让支持视频感知的农业智能系统近似正确地识别、解读农学信息,实时地、科学地、自动地指导农技措施,对于实施“智慧农业”有着积极意义。本文围绕面向不均匀样本集的惩罚校正SVN分类方法、作物病害图像的病变识别预处理、病变模式识别的数值分析特征提取及SVN识别、病变图像模式半监督深度学习特征提取及识别、病变图像模式监督深度学习特征提取和一体化识别5个方面的内容展开了深入研究。拓展了机器学习理论及其应用范畴,构造了基于机器学习的作物病变图像识别的数据结构和算法范形。最后,将提出的理论和设计方法应用于工厂化果园生产场景采集的苹果病害图像识别并进行算法级别实验验证,为面向深度学习作物病害图像识别的农业智能系统产品开发设计提供了不菲的参考价值。论文主要研究成果和创新点如下:1.提出了惩罚校正的支持向量分类算法和校正方法。以SVN为基础,探讨惩罚支持向量机处理不平衡样本时,在不同目标尤其是样本稀疏目标的学习错误率上呈现的显著性差异,提出惩罚校正的支持向量分类算法和校正方法。在小麦籽种图像特征数据上开展实验分析,稀疏样本目标的准确率显著提高,整体分类性也得到明显改善,具备显著有效性和通用性。2.设计了病害图像识别方位亮度多样性仿真方法。同广泛使用的基准数据集相比,农场果园视频感知设备采集环境复杂,充满着多种干扰,定点、移动方式都难以保证在受限条件和有限次数采样下,采集到代表性图像在各状态下分布均匀的样本集。在训练测试之前,需要消除噪声,规格化样本大小等一系列操作的预处理过程。以苹果为例,设计病害图像预处理标准过程和方法:整形算法、方位多样性仿真、亮度多样性仿真、稀疏化方法。同时,在主成分分析数学过程剖析的基础上,提出特征值溢界丢弃的PCA降维。阈值为95%时,该方法表现出较好的重构性能;在ORL基准数据集展开泛化实验,准确率三维曲面说明,溢界丢弃的PCA降维能实现样本的有效特征化;结合支持向量机构造病变模式的识别方法,算法表现出令人乐观的实验性能。3.提出随机反馈深度受限玻尔兹曼机半监督学习的病害图像特征提取。在分析受限玻尔兹曼机能量模型数学逻辑的基础上,提出病害图像模式半监督深度学习特征提取,该算法的重构效果较PCA算法有明显改进。针对RBM网络的粗造学习过程,在k阶对比散度方法的基础上提出基于随机反馈的对比散度方法。kCD的目标函数趋近对比实验显示:该算法的收敛时间较长,但是,收敛之后的目标函数曲线,具备更好稳定性,更高最优目标值,更加有利于系统性能的稳定。4.提出弹性动量深度卷积病变图像特征提取识别网络一体化方法。基于卷积运算提出深度卷积网络的果体病变图像识别方法,设计网络结构及其面向卷积的误差BP传递算法,提出弹性冲量的权值更新机制,构造线性弹性动量和二次弹性动量方法。该方法通过一体化的学习网络,融合特征提取和模式识别,共享学习机制完成对识别部件和特征提取部件的协同训练,解决了“过程和目标”失配的问题,收敛曲线反映出该方法有较快的收敛速度;二次弹性动量和线性弹性动量相比于经典动量梯度下降、自适应动量方法,收敛周期呈现较大幅度的提前。