草莓的生长会受到生物或非生物性因素的胁迫,会对草莓的产量和品质造成很大的威胁,其中最主要的是各种草莓病害。然而,传统识别方法误判率高,实时性差,在对草莓产量和品质需求越来越大的当今时代,显然主要依赖个人经验和肉眼观察的传统的草莓病害识别方法,并不能满足人们对于草莓病害识别与防治的需求。这就需要寻找一种更加有效的方法能够对草莓病害进行高效识别,同时提供相应的病害描述与防治方法。深度学习作为机器学习领域内新兴并且蓬勃发展的方向,在图像识别领域开展了广泛的应用。对于草莓常见病害图像识别,其属于细粒度图像分类,目标是对草莓这一种作物的不同病害进行识别,具有广泛的应用价值。因此,寻求一种能准确、无损、快速、便捷地解决上述问题的草莓常见病害识别方法具有较高的社会价值。本文基于深度学习技术,对草莓常见病害识别进行了相关研究,取得的创新成果如下:(1)在多个农业技术服务平台,使用Scrapy网络爬虫爬取草莓种植者上传的草莓病害图像,从而构建草莓常见病害图像数据集(Strawberry Common Diseases Image Dataset,SCDID),包括15种草莓常见病害。在草莓病害领域,当前暂无可公开、高质量的图像数据集。对于SCDID数据集,不仅可用于本文的研究,还可进一步发布公开,进而推动草莓病害识别领域的发展。(2)本文提出了基于注意力机制的草莓常见病害图像细粒度微调分类模型。主要设计了一种新颖的注意力机制,该机制可以有效利用图像的信息区域,并使用迁移学习快速建立基于注意力机制的草莓常见病害的细粒度分类模型。结果表明,注意力机制平均可以提高草莓病害分类准确率1.06%。(3)本文提出了自监督多网络协作的草莓常见病害图像细粒度分类模型。通过使用自我监督机制,可以有效地识别草莓病害图像的病害区域,而不需要人工标注(如边界框)。模型由3个网络组成,包括定位网络,反馈网络和分类网络。该模型能够使定位网络在反馈网络的指导下检测到大多数病害区域,而分类网络根据建议的病害区域进行识别分类。将该模型与基于预训练的草莓常见病害图像微调分类模型和基于注意力机制的草莓常见病害图像细粒度微调分类模型以及在CUB-200-2011数据集上实现最佳分类效果的模型进行对比。结果表明,该模型在SCDID上能实现最好的识别分类效果,92.48%的分类准确率。另外,本文设计的两个细粒度分类模型不仅适用于SCDID,还具备通用性,如番茄、马铃薯等作物数据集。(4)本文开发了一款基于微信平台的草莓常见病害识别小程序。当前,基于移动应用的草莓病害识别研究较少。本文基于自监督多网络协作的草莓常见病害图像细粒度分类模型,设计并实现了一款基于微信平台的草莓常见病害识别小程序,经过测试,小程序识别准确率为90.23%。另外,小程序运行在微信上,用户通过简单的操作就能快速获取准确的草莓病害的识别结果和对应的病害描述以及防治方法,在实践中具有很高的指导价值,为我国草莓病害识别的智能化研究与应用提供重要支撑。