图像识别的技术属于一种模式识别技术,是人工智能的一个重要的领域。它是指对图像进行识别,是用来识别各种不同模式的对象和目标的一种技术,它可以通过现代的信息处理技术和计算机的技术,去模拟人的视觉认知和理解的一系列过程。它的主要内容是对图像的特征进行提取,根据的是图像处理,并以此为基础对图像进行识别和分类。本文是在这种背景下提出的,本试验以黄瓜霜霉病为主要研究对象,探究基于深度学习神经网络的黄瓜霜霉病图像识别的方法:1.试验通过把接菌后的黄瓜叶片,调节各种不同环境条件如不同品种、不同温湿度、不同叶龄、叶片湿润与否等来观察叶片上病斑的变化,找出各种不同条件下霜霉病图像样本之间的差异,为软件识别提供不同的图像样本,试验结果表明:抗性不同和叶龄的差异对霜霉病病斑图像的影响比较大,易感品种和壮龄叶片染病后病情最严重且叶背面霉层稠密,病斑呈现多角形的状态,病斑面积大且集中;在不同温湿度的试验中发现25℃95%湿度的条件下,叶片存活时间最长,病斑变化最连续。在叶片湿润与否对叶片病斑变化的实验中发现,表面湿润的叶片相比于表面不湿润的叶片病斑发病速率略快,但整体差异不大。2.把试验收集的大量健康叶片和被霜霉病感染的叶片进行样本处理,随机抽取出200张作测试样本,300张作为验证样本,剩下的3874张图像作为训练样本。本研究初始黄瓜叶片病害图片样本经过预处理,整理得到4374张病害样本图片,设计了一个8层神经网络模型。在样本训练中,设定模型的准确率和训练时图片的大小、每一个批次图片的数量、每轮训练的步数,训练的轮数、验证的轮数关系的试验,得出结果对准备率影响最大的是输入图像的大小,还发现了在图片大小256×256,每一个批次图片的数量128张,每轮训练的步数为50,迭代次数为15次,验证次数为50次时的准确率最高,最终结果准确率达到94.5%,后经过多次验证,该软件可用于实际情况的识别。