农作物病虫害是威胁我国粮食安全的主要因素之一,减少农作物生长过程中病虫害造成的损害,最大限度提高作物生产力,是确保农业可持续性的方式之一。因此对农作物进行先进的病害检测和预防是必不可少的。目前农业病虫害的检测预警依赖植保部门,而投入资金与专业技术人员的大量缺乏,造成检测手段单一落后。对于中西部地区从事分散种植的小农来讲,技术与生产力都相对落后,缺乏相关种植专业知识。另外,当地病虫害的保护和预警体系并不完善,使得偏远地区更容易造成灾情的延误,损失不可挽回。快速有效地检测农作物病虫害,是采取相关防治措施及时止损的第一步。本文将深度学习与迁移学习相结合对农作物病虫害严重程度进行检测与预警,将训练所得模型部署并开发一款基于Android技术的全天候实时在线病虫害预警系统,从而达到及时检测预警的目的。为此,本文进行了以下工作:(1)针对AI Challenger 2018农作物病虫害数据集的特点进行了数据增强等相关预处理操作;(2)采用迁移学习与深度学习结合的方式对Res Net 50原始网络框架进行改进,提出改进型方法CDCNNv2(Crop Disease Convolutional Neural Network v2);(3)将训练所得CDCNNv2模型进行服务器部署,实现了在线实时调用。(4)为了验证实验的可靠性,配套开发了一款农作物病虫害预警识别APP,实现了在线拍照检测预警。通过以上工作,本文建立了一套完整可用的基于深度迁移学习的农作物病虫害预警系统。CDCNNv2模型较于原始Res Net 50模型,提升了3.38个百分点,达到91.51%,并加快了收敛速度,节约了计算资源。配套开发的APP让检测方式更加快速便捷,严重程度的检测极大降低了用户的专业要求,更容易实现精准防控。本文旨在为农业领域的病虫害检测提供新的思路与解决方案,同时思路可以扩展推广到其他检测上,让人工智能推动农业领域进一步发展。