摘要
玉米是三大粮食作物之一，在我国乃至全球都有着很高的地位，其在畜牧业、养殖业等都占据着重要的地位。近年来，随着全球变暖、冬季高温以及病虫害积累等原因，玉米病虫害逐年增加，玉米常见的有害病种有十余种，其中，灰斑病、锈病以及大斑病尤为常见。由于玉米各种病害的图像特征结构有许多相似之处，尤其是玉米叶片病发期时很难通过肉眼观察的方式进行诊断辨别。因此，寻找出一种同时具备高效率与高精准度的玉米叶片病害识别方法尤为关键。 本文以吉林省四平市梨树县梨树实验地拍摄的玉米叶片照片以及PlantVillage公共数据集中玉米健康、灰斑病、大斑病、锈病四种叶片数据样本为数据源,在数据预处理基础上建立训练集；使用AlexNet、GoogLeNet、VGGNet、ResNet50网络模型对训练集进行训练；引入迁移学习，优化改进网络模型ResNet50，增加注意力模块等实现玉米叶片病害图像识别分类；并建立玉米病害识别系统Web端与移动端。主要研究结论如下： （1）使用Relu6激活函数，限制最大输出，使程序在低精度的情况下性能良好； （2）提出基于ResNet50迁移学习并优化算法模型的平均识别精度达到了97.27%,相比原模型提升3.55%,程序耗时为8.13ms,符合轻量化要求可为移动端与Web端玉米病斑识别提供技术支持； （3）玉米病害识别系统移动端UI测试、功能测试、中断测试、兼容性以及适配测试、性能测试、稳定性测试、压力测试和安全性测试方便表现良好； （4）玉米病害识别系统Web端主要实现选取本地文件或者拍照上传识别玉米病害的功能，并支持多个浏览器及其不同版本。
NETL