油菜在我国油料作物中占有重要的地位,其具有产量高、品质高等诸多优秀特质,所以能带来非常高的经济效益和实用价值,但是在油菜生长的过程中容易受到根肿菌的影响导致病变,进而让健康的油菜根发展成为根肿病,患有根肿病的油菜会极大地降低产量甚至可能直接导致油菜死亡。如果借助植物表型学相关的知识精确的检测油菜根肿病的病情程度,实现油菜根肿病的精确分级,就可以准确的对油菜品种抗性进行评价,并推动专业人员选育优秀品种,研究防御油菜病害,在多个方面都具有深远意义。现阶段,对于油菜根肿病分级的方式主要是依赖于有经验的专业人士进行人工的分级,分级的标准也完全依赖分级人员的主观来判断,这样对导致整个的分级过程非常的耗时且效率低下,同时还会存在误差率高、主观性强等问题,而且如果面对油菜根部庞大的图像数据量,此方法更将无法适用。随着人工智能卷积神经网络高速的发展,结合图像处理与嵌入式技术,将油菜根部肿瘤的图像数据训练为一个油菜根肿瘤的分级模型,并将模型移植到嵌入式设备中,设计一个全自动化的油菜根肿瘤分级系统,这样可以极大的提升对于油菜根肿病的分级效率和准确率。本文主要从传统的图像处理入手,对由中国农业科学院油料作物研究所提供的原始油菜图像进行图像分割处理,将原始油菜根部图像的根肿瘤性状突出,然后将油菜的根肿瘤图像进行卷积训练得到油菜根肿瘤分级模型,并对比不同的训练模型的方法得到最高效的训练方式,最终将模型移植到嵌入式设备,完成了一个可自动化对油菜根肿瘤分级的系统。本文主要完成了以下的研究工作:（1）图像的预处理。油菜根部图像存在着大量的噪声信息,因此需要对原始的油菜图像进行预处理,突出根部肿瘤的性状信息,这样可以在进行卷积训练的时候得到精确度高的模型。具体的方法是首先对原始的图像进行裁剪,将多株的油菜图像裁剪为单株,再将图像通过图像分割的方式,将目标的根部区域图像与背景图像相区分,滤除背景噪声数据。（2）油菜根肿瘤数据集以及分级模型的建立。由中国农业科学院油料作物研究所提供的油菜根肿瘤原始图像和分级标准,将通过图像分割方式预处理过后的油菜根部图像通过Label Img建立一个5000张油菜根部图像的数据集。再利用BP卷积神经网络来训练油菜根肿病分级的模型,为了得到分级效果最好的分级模型,选择了多种模型结构进行对比实验,通过GPU训练得到油菜根肿病的分级模型,并对模型的参数进行调整以此来优化模型。通过实验数据发现Res Net-50网络结构的准确率最高,使用测试集测试的准确率为92.00%左右。（3）利用TPU进行模型训练,优化模型。通过GPU训练的分级模型虽然分级准确率可以达到90%以上,但是在训练模型的过程中非常占用电脑资源,训练效率低下且不利于将模型移植到嵌入式设备中,所以需要通过TPU进行模型训练。首先需要在Ubuntu18.04中搭建Caffe卷积网络训练环境,由此完成油菜根肿瘤模型的构建、优化和训练,然后依靠API函数调用TPU处理器执行深度神经网络计算任务。通过实验的数据发现TPU训练模型在几乎不影响精确度的情况下,对电脑资源的占用,对电压电流的功耗以及计算速度等多个指标都有不小的优势,也更方便移植到嵌入式设备。（4）油菜根肿瘤分级系统的搭建。将油菜根肿瘤分级模型移植到ETPU-Z2开发板,在Linux系统下构建交叉编译环境,移植Open CV依赖库以及TPU训练的根肿瘤分级模型,将软硬件搭建调试,共同组成完整的分级系统。