农作物病害是农业发展中面临的最主要的一个挑战,快速且准确地识别农作物病害有利于提早制定治疗方案,同时能很大幅度上降低农业经济损失。随着信息化时代的到来,利用计算机技术精准又快速的识别农作物病害是保证农产品产量和质量的关键因素,也是推动农业现代化的重要手段。在高度发展的信息技术的基础上,现代大数据技术已为农业发展开辟了新的可能。大数据技术的本质是大规模收集由农业生产所提供的数据,并使用相应数据来分析模型,最终服务于农业生产。深度学习技术就是从大量的数据中自动挖掘出有利的信息,应用到实际的生产需求中。将深度学习模型应用到农作物叶片病害识别工作中,极大程度减少了手工设计特征的工作量,使得农作物叶片病害的智能识别成为了可能。本文提出了一种基于卷积神经网络的农作物叶片病害识别的分类方法,以苹果、玉米、葡萄、桃子等较为常见的农作物叶片病害图像作为研究对象,进一步研究卷积神经网络在农作物叶片病害识别中的应用。主要内容如下:(1)提出了基于卷积神经网络的苹果叶片病害识别方法,对经典的VGG16模型进行了改进与优化。该算法在每一个卷积层后添加了一个批标准化层,加快模型的训练速度。在损失函数方面使用了Center loss与Softmax loss相结合的损失函数,使学习到的深度特征更有区分度。改进后的模型在准确率上具有较大的优越性,识别率高达97.58%。(2)为了更好的根据病害程度来对农作物病害采取防治措施,提出了基于改进卷积神经网络的农作物叶片病害等级识别方法。先对所选取的叶片图像数据进行预处理,其中包括光照处理、图像分割、病斑像素点提取等步骤,然后将预处理后的病害叶片按照严重度划分不同等级。在算法改进方面,分别使用了Focal loss函数和Adam优化算法来优化模型,提高识别准确率。基于卷积神经网络的作物叶片病害等级识别准确率达到了95.61%。