摘要
大豆是我国重要的油料作物和高蛋白粮饲兼用作物，其产量和品质对我国粮食安全具有重大意义。大豆在栽培过程中易受病虫害等因素影响，为了快速准确识别大豆病虫害，本文以大豆健康叶片和6种病虫害叶片作为实验对象，采用基于卷积神经网络的方法对大豆叶片病虫害与病害程度进行识别。本文主要研究工作如下： （1）针对传统卷积神经网络收敛速度慢以及大豆病虫害图像受光照、背景以及噪声等因素影响导致其背景复杂识别精度不高的问题，本文提出一种改进的EfficientNet模型方法。该模型使用小卷积核来降低计算复杂度，通过调整全连接层来增加可训练参数量从而提高模型提取图像特征的能力，同时使用批标准化、全局平均池化以及Flatten扁平化操作来优化提出的模型。与MobileNetV2、DenseNet121和ResNet50经典模型对比结果表明，改进EfficientNet系列模型中EfficientNetB5模型在使用过迁移学习和数据增强后识别效果最好，该模型收敛速度快对大豆病虫害叶片图像识别准确率达到94.91%。 （2）为了更好地根据病害程度来对大豆病虫害采取防治措施，提出了基于TransUnet的大豆霜霉病病斑分割及病害程度分级方法。首先使用Labelme软件标记大豆霜霉病病斑和叶片，对标记完处理生成的Grand Truth图像划分病害等级。然后，使用TransUnet语义分割模型对大豆霜霉病图像进行分割，并利用分割后的病斑和叶片面积比进行病害程度分级。实验结果表明：与Unet和DeepLabV3模型对比，TransUnet模型对大豆霜霉病分割效果最好，整体分割准确率为98.10%，平均交并比mIoU为0.823，mF1为0.886。同时对比了改进的EfficientNetB5在原始图像和Grand Truth图像的病害程度识别的准确率，本文提出模型的准确率达到92.16%，更加适用于实际环境的病害程度分级。
NETL