苹果是我国的重要水果之一,同时也是我国的优势农产品之一,种植范围十分广泛,在多地都有种植。苹果在种植过程中,易受各种病害的侵扰,苹果病害直接威胁到苹果的产量和品质。农药是对苹果病害进行有效防治的重要手段之一,如何合理使用农药,减少农药不必要的浪费,提升苹果产量和品质是苹果种植生产过程中的重要研究内容。随着信息技术的飞速发展,人工智能理论和方法与农业领域的结合越来越深入。本研究以苹果为研究对象,针对苹果病害难以准确识别并合理施药的问题,运用深度学习、知识图谱、数据库等理论与方法开展了苹果病害施药辅助决策系统的研究与实现,主要包括以下几方面。构建了苹果病害识别模型。采集苹果叶部图像并制作苹果病害图像数据集,通过深度学习技术,对卷积神经网络模型Alex Net进行改进,以进一步提高Alex Net模型性能。主要改进方法包括:使用Swish激活函数代替Re LU;采用批归一化算法来提高网络泛化能力;使用全局平均池化层代替全连接层,降低网络中的参数数量,避免过拟合问题,加快网络收敛。经在苹果病害图像数据集上验证,改进后的Alex Net模型识别准确率达97.76%,相比传统Alex Net准确率提升5.13%,且缩减了模型训练时间,提升了模型性能。构建了苹果病害知识图谱。通过构建网络爬虫、查阅专业书籍等途径获取苹果病害相关数据,进行数据处理,采用知识抽取手段构建实体、关系和属性的三元组,并导入Neo4J图数据库,完成知识图谱可视化。以此为基础,设计病害问题数据集,结合机器学习和图数据库相关技术完成苹果病害知识问答功能。开发了苹果病害施药辅助决策系统。使用Python语言的Django框架,以苹果病害识别模型和苹果病害知识图谱为核心,结合前端技术、数据库技术等完成系统开发,辅助苹果种植人员快速准确识别苹果病害,并给出合理有效的施药防治方案。