随着工厂化农业的发展,人工病害识别已不能满足其需要,解决农作物病害的自动识别问题迫在眉睫。草莓叶部白粉病病害识别属于农作物病害识别的一种,通过对草莓叶片图像的特征与分类,判别其病害种类。近几年来,卷积神经网络在图像识别与分类上的优异表现,为农作物病害自动识别的研究提供了新的解决途径。卷积神经网络不需要人工选择特征,而是通过网络训练,自动实现特征的提取和分类。与此同时,通过引入卷积层、采样层,并发挥局部感知、权值共享两个特殊策略的作用,可以有效地降低网络的复杂度,提升网络的学习效率。本文应用卷积神经网络技术,实现对草莓叶部白粉病病害识别,主要研究工作如下:(1)草莓白粉病病害图像数据库建立。草莓叶部病害图像采集于某草莓种植研究基地,对所采集图像进行预处理后建立草莓叶部白粉病病害图像库。具体包括简单背景下的图像共3968张,复杂背景下图像共8225张。(2)基于卷积神经网络的草莓叶部白粉病病害识别模型构建与优化。首先建立草莓叶部白粉病病害识别卷积神经网络基本结构,其次设计了3种网络深度(3、4、5次卷积操作)与3种卷积核(5×5、3×3和5×5与3×3混合),交叉组合共9种卷积神经网络结构,选择了四种采样层构建方法(均值池化、最大值池化、中间值池化和混合池化),从网络深度、卷积核尺寸及池化方法等三个方面对模型进行优化,最终确定基于卷积神经网络的草莓叶部白粉病病害识别模型。实验结果表明基于混合池化的CNN-9(5次卷积操作、5×5与3×3混合)模型识别效果最佳,总体识别率可达98.61%。(3)图像数据库扩充方法的研究。以上述9个病害识别模型为基础,研究了两种扩充数据库的方法(图像旋转和混合扩充)在网络深度、卷积核大小以及池化方法三方面对模型识别率的影响。实验结果表明,两种扩充数据的操作方法与原始图像库相比,误差最高为1.69%,最低为0.25%。旋转扩充数据库在网络层数较少的模型上产生的误差较低,最低为0.7%;混合扩充图像库在网络层数较多的模型上产生的误差较低,最低为0.42%。两种扩充数据库的方法均在基于混合卷积核(5×5与3×3)与混合池化的模型上产生的误差较低。本文提出的基于卷积神经网络的草莓叶部白粉病病害识别方法能够高效精确地对白粉病进行识别,这对于其他作物的病害识别具有一定的借鉴意义。