目前机器视觉技术的发展已经比较成熟,能够解决现有的大部分图像分类问题。但国内针对食用菌类图像识别的算法研究还是相对较少,仅能帮助人们识别哪些菌类可食用,哪些菌类不可食用。只是做了一个二分类问题,却不能准确的分辨出每个菌种的名称及所属类别,这并不能满足广泛商用的标准。食用菌种类识别通常依靠具有人工种植经验的蔬农进行肉眼判断这种传统方法,不仅工作效率低下而且耗时耗力,对于同一科属性状相似的菌种识别存在一定的不准确性,例如红菇无毒可食用,但其颜色较为鲜艳,表现出的性状与毒蘑菇外形非常相似,蔬农非常容易混淆,导致误食。为解决上述问题,本实验需要构建一个模型以适用多种实际环境的变化,并且要确保模型的识别准确率以及运行速率,因此对食用菌图像识别进行研究,提出一种基于卷积神经网络的Efficient Net食用菌图像分类模型。首先参照Fungi食用菌数据集制定采集食用菌图像的标准（如食用菌种类、图像尺寸、采集数量等）。其次,根据不同的拍摄设备和不同的拍摄环境,采集不同背景的食用菌图像并制作成HDF5格式的数据集。该数据集共分为28类,总计49958张图片,每种食用菌干湿比例基本保持在1:1左右。之后按标准数据集划分规格（8:1:1）将整个数据集划分为训练集39966张、验证集4996张和测试集4996张。再通过模型训练技巧和网络技巧对模型性能进行提升,提出一种YWeight权重衰减方法,研究全连接层权重衰减的机制,通过约束权重范数来控制有效学习率,通过控制cross-boundary来影响模型的泛化性能,使用网格搜索来确定学习率和权重向量对top-1精度的影响。最后选取两种轻量级卷积神经网络Mobile Net和Efficient Net作为模型训练的主干网络,通过模型性能评价指标Accuracy和F-Score来进行衡量,对比改进前后模型在准确率和运行速率上的优劣势,选择最优食用菌图像分类模型。该方法在自建数据集YMushroom上使Efficient Net-B0和Mobile Net-V2分别提高了0.85%和0.87%的top-1精度。在公开数据集Fungi上使Efficient Net-B0和Mobile Net-V2分别提高了0.78%和0.88%的top-1精度。对比分析可以得出,对于小型数据集Fungi,训练150轮就能收敛,且训练速度较快,Mobile Net比Efficient Net相比于原始模型提高的精度更多,而对于自建的大中型数据集YMushroom则需要250轮才逐渐收敛,样本多的情况下,Efficient Net比Mobile Net相比于原始模型展现了更好的进步性。证明不同的模型拥有不同的最优lr,训练模型在相同的设置下也会有不同的训练结果,需要通过YWeight方法找到最优的lr和α来提高模型性能。实验证明通过调整超参数使模型找到了接近最优的解,最终选取出符合本实验要求的Efficient Net-B0网络作为使用YWeight权重衰减方法训练后的食用菌图像分类模型。基于权重衰减策略提出的YWeight训练方法,能够通过一种高效的、鲁棒性的方法选择超参数。该方法不仅提升了原始模型的性能,而且能够实现实时图像分类,为今后自动化管理食用菌种植基地和智慧农业的发展管理提供便利、奠定基础。