现如今，我国是世界上最大的水果生产、消费和出口国。随着经济的发展，人民的消费水平不断提升，探索提高水果产量和质量的生产模式势在必行。因此，统一管理、高效生产成为了水果种植业发展的必然趋势。然而，国内果园大多还停留在精耕细作的劳动密集型阶段，大量的人工作业不仅耗时、增加生产成本，还会因为劳务人员的知识经验不同造成管理失误等问题。并且，农村劳动力正在不断向城市转移，随之而来的必然是劳动力的短缺和劳动成本的提高，这就给传统水果产业带来了巨大的挑战。因此，建设现代标准化果园，引入指导机械化修剪、打药、采收、水肥一体化的智能决策技术是提高管理与生产效率、弥补劳动力不足的重要途径。为了建立智能决策系统，统一农事作业标准，使用现代化图像处理技术感知作物生长信息、诊断病虫害发生情况成为国内外重要的研究方向。

本文通过分析现代标准化果园的决策管理需求，对基于深度学习的苹果花果生长信息感知与病虫害诊断关键技术进行研究，相关技术在果园智能决策管控系统中得到了集成和应用。主要内容如下：

1. 针对农事管控决策中的疏花环节，研究了果园环境下的苹果花生长形态、相对比例等信息的感知方法。在完成苹果花图像采集后，通过分析苹果花簇的生长特征，提出了一种基于前景、背景图像融合的苹果花图像增广方法，实现了苹果花图像数据集的构建。在此基础上，提出了一种MASU R-CNN苹果花实例分割方法，使用U型网络重新定义了Mask R-CNN模型的掩膜生成评价标准。测试结果表明MASU R-CNN方法的分割精确率达到96.4%，召回率达到95.4%，F1值达到0.959，平均交并比达到0.916，实现了对花蕾、半开花、全开花3种不同形态和开放阶段苹果花的生长信息感知。本文研制的果园智能决策管控系统在疏花管理环节应用了MASU R-CNN方法，通过分析单棵和区域果树上不同生长阶段苹果花所占比例实现了对疏花活动的指导。

2. 针对农事管控决策中的疏果、采摘环节，研究了果园中不同生长阶段苹果果实数量等信息的感知方法。在苹果生长的过程中对幼果期、膨大期、成熟期的果实图像进行采集，构建了苹果果实图像数据集。为了在复杂的果园环境、多变的自然光照条件下实现果实信息的准确、快速感知，本文提出了YOLOV3-dense苹果果实检测方法，使用密集连接的方法改进了YOLO-V3模型的图像特征提取网络。实验结果表明，YOLOV3-dense检测网络的F1值达到0.817，平均交并比达到0.896，平均检测时间达到0.304s，满足了苹果果实的信息感知需求。果园智能决策管控系统的果实管理功能应用了YOLOV3-dense方法，得到单棵和区域果树上不同生长阶段果实的数量，并结合果形指数等参数，对疏果、采摘等作业活动进行指导。

3. 针对农事管控决策中的病害管理环节，研究了基于深度学习的典型病害诊断方法。针对采集的炭疽病与轮纹病果实图像数量不足的问题，使用Cycle-GAN对抗学习方法，通过提取健康苹果与病变苹果的图像特征，在健康苹果表面生成不同发病程度的炭疽病、轮纹病病斑，扩充了果实病害图像训练集，结合树叶病害图像，实现了典型病害图像数据集的构建。在此基础上，提出了一种结合深度级联和多尺度连接的苹果病害诊断方法，诊断准确率为94.7%，实现了典型病害的准确诊断。多尺度密集连接Inception-ResNet-V2模型在智能决策管控系统中得到应用，通过对果园现场拍摄上传的病害图像进行诊断获得病害类型和发病阶段等信息，指导病害防治活动。

4. 针对农事管控决策中的虫害管理环节，研究了用于虫害类型判断以及发生数量统计的虫害诊断方法。针对果园内鳞翅目害虫移动能力强、不易捕捉、图像获取困难的问题，设计了虫情采集监测器，实现了3种典型害虫的捕捉和图像采集。结合害虫在粘虫板上的分布特征，提出了一种随机拼接法和随机撒点法相结合的虫害图像增广方法，完成了典型虫害图像数据集的构建。为了对粘虫板上的小目标害虫进行准确的数量统计，本文基于YOLOV3-dense网络中DenseDarknet-53特征提取网络和U型架构的特征融合网络，提出了一种小目标害虫诊断方法，测试结果的F1值达到0.950，平均交并比达到0.902，平均检测时间达到0.143s，实现了对虫害实时、准确的诊断。在果园智能决策管控系统中，虫害诊断方法通过对相应日期粘虫板图像进行处理，获得虫害类型及发生数量，并通过与预警阈值进行对比，对虫害防治活动进行指导。

5. 对本文的研究工作进行了总结，并提出了下一步的研究计划。