深度学习是人工智能的一门分支,近年来,凭借其自动学习和提取目标特征的优势,受到了学术界和工业界广泛关注,在图像视频处理、语音处理、自然语言处理等领域取得了大量成功应用,同时也成为农业植保领域的研究热点,如植物病害识别、病虫害范围评估等等。但综观国内外相关研究文献,结合病害防控实际情况,目前,在利用深度学习研究植物病害识别领域,尚存在一些诸如植物病害数据集不完整、影响深度学习网络模型病害识别性能的因素研究不够等问题,这将制约深度学习在植物病害防控实践中的推广和应用。为研究和解决以上问题,本文以梨树叶部病害识别为例,从构建病害数据集和探索各种影响深度学习网络模型识别病害性能的因素两个维度出发,利用深度学习开展了梨树叶部病害识别等相关研究工作,主要研究内容和结论如下:1、构建梨树叶部病害数据集,研究和探讨了病害数据集对深度学习网络模型病害识别准确率的影响针对山西省梨树3种易发常见的梨褐斑病、梨黑斑病和梨锈病,以单一病害为主,实地采集了7620个有效的梨树叶片样本,包括室内环境、室外大田、叶部正面和叶部反面共4类。根据不同的试验目标构建了多种不同类型的梨树叶部病害数据集,如PLDD、PDD2018、PDIRE等共9种梨树叶部病害数据集。以PDD2018梨树叶部病害数据集为典型,具有以下5个显著特征:（1）采集环境多样;（2）地域性强;（3）品种丰富;（4）不同发病阶段;（5）关注梨树叶部反面病害样本。据我们所知,目前尚未发现有研究者构建具有PDD2018类似特征的植物叶部病害数据集。本文通过大量试验,研究和探讨了病害数据集容量、病害样本图像特点和病害样本采集环境对深度学习网络模型病害识别准确率的影响:（1）病害数据集容量是影响深度学习网络模型病害识别准确率的重要因素。在利用迁移学习研究植物病害识别时,以Res Net50模型为例,当每类病害样本数量保持在350个以上时,模型就能取得较高的病害识别准确率,这为同类植物叶部病害数据集的样本采集数量要求提供了经验支持。（2）5种病害样本图像特点可能会降低深度学习网络模型病害识别准确率:（1）病害叶片面积占比率过小;（2）不同病害的病斑颜色特征相似度;（3）叶片明显破损;（4）叶片病斑数量极少或病斑面积极小;（5）叶片表面有附着物或脱水较为严重。这对于构建高质量的植物叶部病害数据集具有重要参考意义。（3）病害样本的图像背景（采集环境）可直接影响深度学习网络模型的病害识别准确率。当病害样本的采集环境或图像背景发生变化时,未曾基于类似环境的病害数据集训练的深度学习网络模型识别这类病害样本时,模型病害识别准确率将会明显下降。以ResNet50模型为例,梨褐斑病对病害样本的图像背景敏感程度最高,梨黑斑病次之,梨锈病敏感程度最低。2、提出了一种适宜于梨树叶部病害识别应用场景的“深度学习网络模型+输入图像分辨率”技术途径本文通过大量试验对比研究,在相同硬件资源条件下,“ResNet50+600×600”训练耗时适中,取得了最高的病害识别准确率为98.7%,其中,梨褐斑病、梨黑斑病和梨锈病的病害识别准确率分别达到99.44%、98.43%、97.67%,最适宜于梨树叶部病害识别应用场景。“ResNet50+600×600”利用迁移学习,通过调整深度学习网络模型参数,使得构建基于小数据集的深度学习病害识别模型变为可能,可直接以梨树叶片样本图像作为深度学习网络模型输入,为同类植物叶部病害识别研究提供了一种技术手段,有助于深度学习技术在病害防控实践中的快速应用和推广。3、深入研究了影响深度学习网络模型识别梨树叶部病害性能的各种因素本文研究和探讨了病害样本图像分辨率和模型参数设置等对深度学习网络模型病害识别准确率等性能指标的影响:输入模型的病害样本图像分辨率与模型病害识别准确率呈明显的正相关关系,分辨率过低容易导致模型发生过拟合问题,过高容易导致内存溢出问题,通过调整深度学习网络模型参数和增加病害样本图像分辨率可提高病害识别准确率,同时与模型训练耗时呈明显的正相关关系;深度学习网络模型设置参数如训练轮数、网络层数不一定与其病害识别准确率呈正相关关系。本文研究和探讨了梨树叶部正、反面病斑对深度学习网络模型病害识别准确率的影响,提出了病害识别一致性、病害识别正确一致性评价标准用于评价两种模型的病害识别结果一致程度。结果表明梨树叶部反面病斑特征与正面病斑特征在植物病害识别中发挥着同等作用,既可以基于叶部正面建立梨树病害识别模型,也可以基于叶部反面建立梨树病害识别模型,综合二者一起使用更有利于梨树叶部病害的确诊。最后,研究和探讨了不同梨树叶部病害的识别特点。