随着大数据、人工智能的发展,农业也逐步趋向智能化,形成了智慧农业。智慧农业主要通过感知、跟踪、监测、预测和数据分析等技术对传统农业进行改造,从而实现农业的智能化决策、精准化生产和可视化管理。在现代农业中,农作物的病害类型主要依靠种植人员的经验来判断,容易出现误判病害类别的现象。这不仅阻碍了农作物种植技术的进步和发展,而且带来了一系列的环境污染问题,因此自动化识别植物病害在智慧农业中至关重要。本文将针对智慧农业下的智慧农业系统中的病害检测需求展开研究。针对农作物病害类型依靠经验判断不精准的问题,本文以番茄病害为典型,主要研究从番茄病害叶片图像中定位病害类别,利用Mask R-CNN(Mask Regin Connected Convolutional Networks)实现番茄病害叶片的自动化检测和病害区域分割。首先研究了第三章基于Mask R-CNN的番茄叶片病害识别方法,并重点分析了Mask R-CNN算法的核心优势点。然后针对番茄病害叶片数据属性的特殊性,对经典的Mask R-CNN的网络模型进行了两点改进:(1)在Mask R-CNN中增加病害特征筛选模块,减轻了Mask分支负担,在保证检测准确率的基础上,缩短了训练和测试模型的时间,提升了网络的整体效率;(2)改进Mask R-CNN的特征提取网络,选取了Res Net(Residual Network)的优化网络Dense Net(Densely Networks)提取番茄病害叶片图像的特征,相比Res Net它不仅减少了参数量,而且提高了特征图的利用率,从而提高了识别准确率。最后在智慧农业系统的基础上,开发了基于Mask R-CNN的番茄病害叶片识别功能,包括视频图像采集模块,病害识别与分析模块和云平台处理模块。视频图像采集模块包括视频播放器和视频图像截取,实现了从视频中获取目标对象;病害识别与分析模块中包括原图输入,预处理和识别的结果展示,实现了检测番茄病害过程的可视化;云平台处理模块利用FTP协议实现了云服务器与本地计算机之间的文件传输,并利用计划任务自动更新网络模型。为了确保番茄病害叶片识别功能的可用性和稳定性,对以上三个模块进行了功能和性能测试,结果均符合预期。本文的研究内容具有较高的实用价值,可用于农业种植中的番茄病害叶片识别领域,在一定程度上既可以提高番茄的生产效率和产量,也保护了自然环境。