柑橘是我国主要的经济林果之一,柑橘因种植区多在山区坡地,病虫害防治给管理带来了很大困难,在线监测的智能识别是当前现代农业发展的方向。在柑橘生长过程中,容易受到多种外界因素的影响从而产生各种病虫害,常发生在叶片器官等部位,因此,针对柑橘植株叶片进行病害判别是病害防治的有效方法之一。伴随着技术的进步,深度学习被广泛应用于农业领域,研究表明基于深度学习的图像处理技术有着精度高、速度快等优点,可以实现病虫害的快速识别。为实现柑橘病虫害的快速智能识别,本文采用深度学习方法结合物联网技术,利用尺度可变视频流信息,设计并构建了一套柑橘病害智能在线监测系统。主要研究内容如下:(1)基于深度学习的叶片检测算法研究针对视频监测的视场下存在多张柑橘叶片的问题,本文提出了高实时性和高检测精度的柑橘叶片检测算法,在YOLOv4的基础上进行改进,通过K-Means聚类分析重新构建网络模型的目标候选框、优化网络结构等改进方法构建了柑橘叶片检测算法,检测的MAP达到85.10%,实验结果表明本文提出的叶片检测算法能够满足叶片检测的基本要求。(2)基于卷积神经网络的柑橘病虫害识别算法研究针对柑橘叶片病害识别的需求,本文以卷积神经网络为基础,综合实验多种分类网络,如Inceptionv3、Xception、ResNet以及DenseNet,通过分析实验结果,提出一种基于多路融合卷积神经网络的分类模型,将DenseNet和Xception融合起来共同提取特征,引入迁移学习,减少了算法训练的时间,提高了模型检测的准确度,最终模型的平均分类精度达到96.69%,实验结果表明提出的算法识别率较高,能够满足病害智能识别的基本要求。(3)柑橘病害智能在线监测系统研发针对果园对于柑橘生长状况以及病害情况的实时监测需求,本文设计并研发了基于深度学习的柑橘病害智能在线监测系统。该系统采用C/S架构设计,客户端为用户提供人机交互界面,通过视频预览对果园的重点区域进行实时监测,并通过图像截取功能实现图像实时采集,将采集的图像发送至服务端,系统服务端上搭建算法服务,通过卷积神经网络实现病害智能识别,并将识别的结果发送至客户端,实现了客户端中果园不同区域的检测结果实时呈现。