草莓在果品生产中占有重要地位,被誉为“水果皇后”。但草莓极易遭受病虫害的侵扰,其中草莓果实白粉病的发生将严重影响草莓的产量和质量。传统的图像识别方法大多是人为的从病害叶片和果实中选择并提取病害特征,耗时费力且在特征不明显的时期容易由于主观因素产生误判现象。因此,本研究旨在针对草莓果实白粉病研究出高效、准确的病害识别方法。卷积神经网络具有强大的自主特征学习能力和表达能力,能够有效避免复杂的人工特征提取过程,近年来普遍应用于植物病害的识别。但目前研究大多针对水稻、玉米等作物,缺少针对草莓果实白粉病的深度网络模型,因此本研究设计选取4种深度网络模型(VGG-16、Res Net-50、Inception-V3和Dense Net-121),利用参数迁移的方式,在大型数据集Image Net上进行多次训练,将模型训练参数用于草莓果实白粉病识别模型中。本研究的主要工作及成果如下:(1)草莓果实白粉病图像数据库建立。采集田间环境下的草莓健康果实与白粉病果实两种图像,建立了一个包含6364幅图像的草莓果实白粉病图像数据库。为探究田间环境的冗余信息是否对卷积神经网络特征提取造成影响,本研究利用基于HSV的阈值分割与Grab Cut算法实现对草莓果实图像的目标提取。此外,通过对图像样本进行仿射变换实现数据扩充,提高网络模型的鲁棒性及准确性。(2)基于迁移学习的病害识别模型构建与优化。本研究提出4种改进的草莓果实白粉病识别模型,基于参数迁移的迁移学习方式,重新初始化4种网络模型的最后一层(用2个标签的Soft Max分类层替换掉原有网络的Soft Max分类器),其余层直接使用在大型图像数据集Image Net上预训练的权重参数,再利用草莓果实图像数据库对网络参数进行精调。综合考虑试验复杂度,组合3种图像类型,3种分辨率大小共进行36组组合试验。实验证明基于迁移学习改进的Dense Net-121模型在目标提取且分辨率大小为512×512的情况下对草莓果实白粉病测试集的识别准确率最高,达到98.12%。(3)草莓果实白粉病识别系统设计开发。基于Django框架搭建病害识别系统,实现对草莓果实白粉病的病害识别。该系统集图像输入、识别处理、结果展示等功能于一身,为果农提供了一种准确的草莓果实白粉病识别方式。本文提出的基于迁移学习的草莓果实白粉病识别方法及应用可以实现白粉病的有效准确识别,对于农作物病害识别领域具有一定的参考价值。