农作物病虫害的出现在外观上会有直接的体现,病斑区域与非病斑区域的形状、颜色和质地都会有很大的改变。不论是借助检测工具还是人工识别,都会存在很多漏判和误判的情况,而且耗时长,费用高,达不到精准农业的快速判断标准。目前,国内外作物病虫害自动检测技术大多数还是基于数字图像处理和光谱分析成像技术。随着人工智能技术的发展,计算机视觉和图像处理技术被广泛应用于植物病害识别领域,利用图像处理和深度学习方法,能够更快更准确的识别植物病害种类。本文采用深度神经网络学习植物病斑的深层特征,训练得到深度卷积神经网络模型,可实现对复杂背景下9种作物叶片的20种病斑进行预处理和识别,主要研究内容如下:(1)通过加入各向异性扩散滤波算子构造新的边缘检测函数,对传统GAC模型进行改进,建立了AD-GAC模型;根据叶片部分和病斑部分的像素值的差异,采用AD-GAC模型和最大熵阈值法,将作物叶片病斑从复杂背景中分割出来。(2)通过采用旋转、翻转、缩放、平移等操作对样本进行扩充,有效解决样本数量不足的问题;然后,将原始数据作为输入,经过AD-GAC模型得到病斑图像,并根据主干网络resize病斑图像的大小;最后,利用迁移学习对其进行微调,通过重新定义损失函数,采用交叉熵和中心损失函数联合监督机制扩大类间特征的差异,减小类内特征的差异,进而提出一种网络结构为two-stage的AD-GAC CNN。实验证明,这种基于迁移学习和联合监督的AD-GAC CNN训练出来的模型,在样本量不足、背景复杂的情况下,可以很好地完成作物叶片病斑识别任务。(3)开发了集病斑去噪、分割和识别等功能于一体的软件集成系统。每个部分的功能都有几种模型供用户选择,用户可根据实际需要自行选择模型种类。