大豆病害的准确识别是减少大豆病害传播提高大豆产量的关键因素，其中大豆叶片部位病害多发，且生长周期较长。因此，本文利用计算机视觉技术开发了大豆叶片病害识别系统，为用户提供大豆叶片病害的准确预测类型与可视化解释，对提高大豆产量具有重要意义。本研究针对大豆叶片中常见的8种病害，通过背景分割、数据增强、迁移学习及分类算法，实现了对大豆叶片病害的准确识别。
　　现实中采集的大豆叶片图像通常具有含干扰特征的复杂背景，这些干扰特征会降低识别模型的性能。因此，本文提出了一种基于K-means算法与最大连通域算法相结合的叶片图像分割方法，该方法可以有效去除大豆叶片图像中的复杂背景，裁剪出只包含叶片区域的图像，同时叶片保留病害特征;可以避免图像背景中的干扰特征对识别模型的影响，提高识别模型的鲁棒性;采集图像时无需关注图像的背景区域，可以节约采集成本。
　　增加数据集规模对提高卷积神经网络的识别性能具有重要意义，然而现实中叶片病害图像的采集是项高成本的工作，并需要专家进行识别并标注类型。传统的数据增强(如旋转、翻转、平移等)生成的图像受到处理规则限制，无法获得新的病害特征，因此本文提出了一种生成对抗网络数据(GAN)增强模型，同时对模型进行压缩以减小模型体积。该模型可以生成高质量的大豆叶片病害图像，这些图像具有更多可变性与多变性特征，可以节约大豆叶病的人工标注成本，同时可以提高识别模型的性能。该模型体积较小，因此适合部署到应用端。
　　深度学习网络的训练耗时且占用大量计算资源，迁移学习可以在超大规模数据集中预训练模型权重的基础上进行训练，以优化训练效率。然而迁移学习的传统微调方法是人工选择冻结层与微调层，可能不适用于其它领域的目标任务。因此本文提出了一种迁移学习的改进策略，使用贝叶斯优化算法对3种预训练模型(VGG16、ResNet34、DenseNet121)进行自动微调，该方法可以针对目标任务自适应选择最优的超参数配置进行微调，无需人工设置冻结层与微调层。相对于传统微调方法，在大豆叶病数据集上，3种自动微调的预训练模型上均获得性能更优的表现，表明本文所提方法在不同的预训练模型上具有良好的泛化能力。
　　本文使用传统数据增强与GAN数据增强生成的叶病数据组建两种不同的数据集(使用相同的原始图像作为验证集)，并在贝叶斯优化的预训练模型上进行自动微调，验证了GAN数据增强可以提高识别模型的性能，同时验证了本文所提出的迁移学习改进策略在不同数据集上具有良好的泛化能力。设置该对照实验可以评估出最优的识别模型进行应用端的部署。
　　本文开发了一种大豆叶片病害识别的实验系统，将上述算法与模型部署到Web应用中，可以应用在电脑端和移动端。为了使研究人员与用户更加信任叶病识别的结果，本文在Web应用中增加了对叶片病害预测结果的可视化解释器。开发该系统的意义在于可以在应用层面检验模型的性能，同时验证本文方法的可解释性。