近年来,果树种植园面积不断扩大,且果树受到环境、气候及种植地等因素的影响,在其生长过程中易受到不同种类病害的侵袭。在果树生长早期,病害症状一般表现于果树的叶片,若不加以治理,最终会影响到果实,造成苹果质量下降、产量减产等后果。为预防此类问题,本文以自然环境下的苹果树叶片及病斑为研究对象,基于深度学习网络和图像处理技术,开展苹果树叶片病斑检测与分级系统研究,实现对苹果树早期叶片病斑的分割、病害程度的分级和病斑检测:1.采集自然环境下苹果树叶片图像,包括健康叶片、斑点落叶病叶片、黑星病叶片及锈病叶片,并对采集到的图像进行预处理及数据增强等操作,确保采集到的图像具有普适性。2.根据患病叶片提取病斑面积,并根据相对面积占比来划分病害等级。为解决在自然环境下叶片病斑分割精度低及网络模型训练效果差等问题,提出一种改进的Unet网络模型。首先,通过在特征提取前端加入残差模块ResNet-34,解决在特征提取时由于下采样引起的信息丢失等问题,显著提升叶片病斑的特征提取效果;其次,通过加入边缘提取模块和融合模块,一方面帮助模型更好的进行轮廓特征提取,提升模型的分割精度,另一方面将病斑分割模块和边缘提取模块的特征信息进行融合,实现语义分割类别的输出。3.为了解决自然环境下叶片病斑检测精度低及鲁棒性差的问题,提出一种改进的YOLOv3的苹果树叶片病斑检测模型。首先,在特征提取阶段引入特征金字塔注意力机制,将注意力信息融入到提取过程中,显著提升对于较小病斑及易被忽略叶片疾病的检测效果;其次,对引入的注意力模块进行结构优化,在兼顾检测速度的同时提升模型的检测精度。4.基于上述研究成果,利用QtDesigner和Python语言设计并实现苹果树叶片病害分级及检测系统。用户输入病斑叶片并选取不同网络,系统会进行病斑分割分级以及病斑检测,并在结果输出区域输出运行结果以及病害防治建议。