番茄病虫害种类多且病理复杂,单纯依靠人工识别比较困难,出错率较高。针对我国最常见的十种番茄病虫害,本文搜集大量番茄病虫害叶表图片,运用Keras/TensorFlow深度学习框架研究番茄病虫害检测方法,通过训练实现了番茄病虫害自动检测模型。本文的主要工作如下:1.构建番茄病虫害图库,该图库由十种我国常见番茄病虫害图片和正常番茄图片组成。图库共有十一类图片,每类640张,一共7040张。2.构建多层卷积神经网络,该网络由输入层、四个卷积层、四个池化层、两个全连接层及输出层组成。训练过程采用了数据增强、Dropout、随机梯度下降(Stochastic Gradient Descent SGD)等技术,所训练出的模型实现了84%的平均分类正确率。3.利用迁移学习技术实现卷积神经网分类模型。(1)使用VGG16深度模型第一个全连接层输出作为叶表图片特征提取器,使用支持向量机(Support Vector Machine SVM)作为分类器,可实现88%的平均分类正确率。(2)改造VGG16深度模型,使其输出节点对应11种叶表状态,使用微调(Fine-tuning)技术对最后一个全连接层进行重新训练,得到分类模型,该模型可实现89%的平均分类正确率。4.为实现检测番茄病虫害便携性,本文将构建的多层卷积神经网络移植到安卓操作系统,测试结果表明,该系统在华为mate8下检测一幅番茄叶表图片平均用时为0.2s,能够满足实时性的要求。