玉米是我国种植范围最大的农产品之一,玉米的年产量以及品质对种植玉米的农民经济收入有着巨大的影响。随着气象变迁,玉米在栽培过程中通常会出现各种病害,只有尽快发现病害,才能及时地进行快速防控。然而传统的机器学习技术对玉米叶部病害的识别不仅需要人工选择、提取病斑的特征,而且需要耗费一定的时间和财力。不同玉米病害的特征对病害识别的贡献程度有很大差异,人工选择特征的结果往往影响着识别精度,并且人们很难确定哪些特征是最佳。尤其是,如果背景与其他叶片很相似,则患病叶片图像分割的结果可能会降低精度。到目前为止,由于患病图像非常复杂,基于农作物叶部病变的病害识别问题仍然是一项具有挑战性的研究。随着计算机视觉的不断创新,使用智能化、自动化的手段预防玉米叶部病害可以有效减低因病害给农民带来的巨大损失。卷积神经网络算法可以从大量原始复杂玉米叶部病害图像中自动学习高级特征,而无需进行复杂的图像预处理、病变分割和人为设计的特征提取。本文在以上基础上研究如何提高玉米叶部病害识别算法的准确率,以下是本研究的主要内容以及研究结果:1、提出了一种基于RI-Net网络的玉米叶部病害识别算法。该算法由基线模型、Inception模块以及Res Net模块共同组成,首先基线模型中通过利用尺寸大小为3×3的卷积层堆叠来增加特征提取的感受野区域大小,接着采用Inception模块和Res Net模块融合来增加特征的多样性,最后将学习到的特征送入分类器分类。通过实验结果对比,改进的算法相比传统机器学习人工提取特征方法具有更高的识别率,模型结构的融合提高了特征的多尺度映射能力。该算法能够有效识别不同类型的玉米叶部病害,为玉米叶部病害识别与识别算法的进一步研究提供了参考。2、提出了一种基于注意力残差网络的玉米叶部病害识别算法。该算法主要由残差网络和改进的通道注意力模块组成。首先使用残差结构以防止网络过拟合,接着将残差结构中的通道进行分组,之后在分组中加入注意力权重进一步捕获图像局部细节特征,同时使用全局平均池化减少卷积操作的参数,最后将特征送入分类器以分类病害。实验结果表明,相比于不同的识别算法,该算法能有效识别真实环境中的不同玉米叶部病害图像,具有较高的识别准确性,同时为算法在实际玉米田地中识别病害建立了基础。3、搭建了一个基于Web端的玉米叶部病害识别系统,该系统主要由四个主要模块组成,包括登录注册模块,知识科普模块、病害识别模块以及用户管理模块。登录注册模块负责验证用户的账号信息,知识科普模块负责向用户普及玉米叶部病害的种类及病害预防知识,病害识别模块负责识别不同类型的病害,用户管理模块负责管理及更新用户的操作记录。该系统能够实现对用户上传的图片进行识别以区分不同种类的玉米叶部病害,并同时向用户展示玉米叶部病害的科普知识,系统经过测试表明能够正常运行。