农作物出现病害,会大幅降低农作物的产量,也影响着农作物的质量,故此需要对病害进行识别,根据病害类别及时采取治理措施,实现农作物的高质高产。近几年,深度学习技术的成熟,使得利用深度学习算法智能化识别病害成为了可能。本文利用卷积神经网络训练数据集,实现对病害的识别。主要研究内容包括:(1)采用来自AI Challenger比赛里的农作物病害数据集,锐化、滤波等操作加强图像数据特征,减少图像的噪声误差对实验结果产生的不利影响,同时对数据集图像进行类别标注。(2)考虑到深度学习中多层网络深度易导致训练复杂度增加,出现梯度消失的现象,使用ResNet卷积神经网络模型对农作物病害数据集进行训练,ResNet网络中的残差学习单元可简化卷积层学习过程,只学习输入和输出之间的差值,加深网络层的同时加速模型训练。训练时在残差学习单元每一层前添加BN层避免梯度消失,使用小批量梯度下降法优化网络参数。实现了ResNet网络对病害的有效识别,同时,比较了卷积层为50层、101层和152层的ResNet对病害的识别准确率。(3)针对训练ResNet模型出现网络性能降低以及过拟合的现象,采用了具有稀疏性结构和高计算性能的Inception_v3神经网络,又综合数据集图像数量繁多的因素,将Inception_v3网络结合迁移学习策略对病害图像进行训练识别。利用inception_v3网络直到瓶颈层提取图像的病害特征,把强表达能力的病害特征向量保存在瓶颈层文件中,瓶颈层文件作为后续网络层的输入,微调训练参数,采用梯度下降法来更新网络中的权重有效缓解过拟合,通过softmax实现对病害的类别识别。实验结果显示,模型的识别准确率为93.90%,表明该模型对病害识别的精准度有效提高。(4)搭建了算法实际应用平台,平台后端是Inception_v3网络结合迁移学习的模型训练结果,用于测试农作物病害类别。服务器搭建在Django框架上,前端主要是静态测试和结果显示页面,后端是inception_v3模型的训练结果,融合前后端,把待测试的图片加载至服务器的测试页面上,后端给予判定,把后端测试的结果呈现在识别结果页面上。