实现香蕉园的信息化管理是提高香蕉生产效率的关键手段之一。香蕉园的信息化管理主要包括香蕉养分、病虫害、株数等生长信息的自动化采集,水、肥、药等生产资料的自动化作业,以及果园环境的自动化监测等方面。彩色数字(RGB)图像随着成像传感器在智能手机、无人机上的大量普及,已成为最容易获取的高通量数据之一。本文以RGB图像为原始信息的获取手段,通过深度学习方法研究香蕉常见病害及果园生长早期的株数的检测方法,设计了一套香蕉病害远程诊断系统和一种香蕉株数检测算法。主要的研究内容包括:1.构建香蕉病害诊断模型。共收集了5944张图像,包括7种香蕉作物常见病害以及健康植株。数据集被随机分为训练集,验证集和测试集。利用迁移学习的方法对深度卷积神经网络模型Goog Le Net进行训练,通过改变模型的参数以及训练次数,得到最终的诊断模型,平均测试准确率达到98%,具有良好的应用前景。2.远程诊断系统的设计。进一步开发了以手机移动应用程序(APP)为终端,以诊断模型与中间件通信模块为服务端的远程诊断系统。基于Android Studio设计了简易的手机APP,该APP能够就地获取香蕉图像并进行预处理,通过网络将其上传到集成了诊断模型的远程服务器,服务器接收图像,然后将诊断结果反馈给终端APP。该系统可以快速有效地在线诊断香蕉病害。3.香蕉株数检测模型算法设计。通过无人机航拍获取大面积种植的香蕉园的全景图像,利用Faster-RCNN目标检测框架对香蕉株数进行检测。为了解决大范围内单一密集目标检测精度不高的问题,采用“裁剪-识别-拼接”的方式提高检测的准确率。通过对人工标记的数据集进行训练获得识别模型,模型F1得分为94.99%,结合识别模型和去重算法,最终的平均计数精确度达到97.8%。