农作物病虫害防控是农业生产中的关键一环,针对病虫害的精准图像识别具有高效、成本低、操作便捷等特点,是近年来病虫害防控的主要技术。宁夏的地理优势独特,冬季寒冷时间长,夏季酷暑时间短,气候干燥,降水量稀少。且该地昼夜温差大,日照充足,适宜种植玉米,土豆,葡萄以及枸杞等作物。这些经济作物有效的拉动了宁夏地区的经济。而以上作物果实淀粉量足、果实甜美,容易遭受多种病虫害侵袭,对果实产量与品质有严重影响,故针对病虫害的防控就显得尤为重要。本文基于卷积神经网络的图像识别方法,对已有的Yolo算法进行改进,提出创新的Yolo+K-Means++识别算法以提高识别精度,使识别结果更加可靠。经实验验证,该算法可以有效识别15类虫害以及11类病害,具有较高的识别效率与精确度,为农作物病虫害的精准防治打下坚实基础。本文工作主要分为以下几点:(1)收集适用于本文的病虫害图像数据,制作相应的图像数据集。根据本文的研究需求,收集了 19类虫害图片,合计3634张图片;获取不同病害叶片图片共20类,合计37200张图片。经过图像预处理,批量归一化,选取15类虫害以及11类病害图片作为本次研究对象。为了提高识别精度,增强图片可用性,本文采用空间变换、样本增强、归一化等方法扩充数据集,15类虫害图片经扩充达到了 25304张,11类叶片病害图片扩充后共18300张,扩充后的数据集图片数量为43604张。(2)搭建开发环境,选取合适的病虫害图像识别算法进行实验。通过对比不同算法的原理以及前人的实验效果,本文选择MobileNet V2以及Yolo算法作为基础的网络模型基于前文制作的病虫害图像数据集进行训练。通过实验对比两种模型的识别精度、识别时间以及最终效果,对比可得Yolo模型更适于本文的识别,因此选取Yolo作为基础网络,在此基础上对其进行模型改进。(3)本文为了提高识别精度,提出结合K-Means++与Yolo算法,,解决了 Yolo算法识别结果不足的问题。改进后的算法做预测用到了 anchorboxes(最有可能的object的区域),来检测目标,本文在检测前利用K-Means++这一聚类算法计算得到anchorboxes的长与宽,使得Yolo算法在识别时可以从已标注的数据中通过聚类统计到的最有可能的目标区域,进一步增强图像识别的准确性。实验结果证明,改进的网络模型对聚类虫害以及叶片病斑的识别准确性大大增强,解决了复杂场景、多目标的图像识别问题。(4)在创新的Yolo+K-Means++识别算法上训练本文制作的病虫害数据集,通过多次训练,确定出适合病虫害识别的算法网络参数,与其他算法进行对比实验,证明创新网络的优越性。为了方便检测,本文设计并实现了GUI页面,方便日后的虫害识别应用落地。经过本文研究实验,Yolo+K-Means++识别算法对15类虫害的检测精度为98.618%,对11类叶片病害的检测精度为99.218%。由于两类图像数据量的不同,最终统计得到算法的总体识别精度为98.87%。经对比实验验证,该算法明显优于其他算法,较Yolo算法的精度提高了 11个百分点。GUI页面的设计也为日后的虫害识别实现手机端应用打下基础。