在全世界各国,农作物病害都会对作物产量造成严重影响,如何精准识别不同种类病害、科学诊断出病害是智慧农业的重要研究方向。本文主要以大豆病害里最常见的病毒病、白粉病、霜霉病、褐斑病和灰斑病五种病害为研究对象,进行病害自动识别研究。目前针对农作物病害识别多是以人工提取颜色、形状和光谱等特征为主,这些特征容易受人为和自然环境影响,造成识别率的降低。针对上述问题,本文采用卷积神经网络的特征学习方法,对病害特征进行自动提取学习,并通过改进模型和压缩模型策略,最终在更小的模型尺寸下达到了较好效果,为大豆病害的自动识别在低端移动平台的应用提供理论支持。本文主要研究:(1)构建了大豆病害模型训练数据集。通过增强、翻转和加噪点等样本扩充方法,将五种病害数据集扩充到3430张,弥补了一些小样本训练的缺陷。针对病害样本量普遍较少的问题,提出了一种基于K-means的预训练卷积神经网络模型,通过矢量量化思想,构建特征表达字典,将聚类结果作为Conv1的权值,并研究构造了多种卷积神经网络模型,分析权值分布特点,讨论最优K值、Patch块大小、激活函数和不同初始化方式对网络的影响。探究了模型结合Dropout稀疏数据增强策略来强化特征,解决了过拟合问题,以及网络深度对K-means预训练效果的影响等。该模型解决了随机初始化权值的缺陷,最终,在小样本的大豆病害下,验证了 K-means预训练方法的有效性,准确率达到96.7%。(2)针对模型大、收敛速度慢、稳定性不高的问题,在基于无监督卷预训练积神经网络的基础上,提出了基于批标准化的小型化网络架构模型。通过加入BN层,调节其在激活函数前的数值分布,解决了收敛速度慢和神经元坏死等问题。根据卷积神经网络架构特点,提出权值裁剪和架构压缩策略,通过设置阈值过滤掉微小权值,并研究设置不同的卷积核数目和尺寸、不同的FC节点数等来减少冗余,在大豆病害识别模型上验证效果,最终将参数内存压缩到9.6 M的情况下,准确率快速收敛到94.6%,保证精度的同时大大缩减了模型尺寸与计算量,该模型小快准的优点解决了当下模型普遍内存和计算量太大,无法应用到移动端及农业机器人等低端运算平台的问题。