大豆田间草情判断对农田植保管理决策具有重要意义,为实现田间复杂环境下一定范围内豆田杂草快速准确识别与分类并进行草情判断分析,在分析和总结国内外基于无人机低空遥感成像感知技术在作物信息采集中研究现状及图像处理技术、卷积神经网络算法在作物图像信息检测中研究现状基础上,提出基于深度学习的YOLO-WEED卷积神经网络算法。主要研究内容及结果如下:通过从豆田主要杂草与大豆的竞争作用以及防除阈值的研究两个角度来确定无人机采集图像的适宜时期以确定试验最佳时间,利用数据标注工具以及信息保存对数据集进行操作准备,依据试验需求对不同时期的杂草数字图像进行数据增强,分别利用几何变换和颜色变换等几种方式对数据集进行增强扩充,利用Label Img图像标注软件进行大豆草情识别数据集的制作,可为豆田杂草识别模型提供数据支撑。在自建数据集中训练的YOLO-WEED识别模型模型优于YOLO v5l,YOLO v5s和YOLO v5x模型。YOLO-WEED识别模型F1值为0.903,模型准确性和置信度高于其他3个模型,平均识别时间最短,表明YOLO-WEED识别模型识别性能良好,可对高分辨率图像中杂草目标进行快速识别。通过对Alex Net、VGG-19、Res Net50的网络结构分析,确定适用于豆田杂草分类最佳模型Res Net50,模型收敛后的平均准确度为90.62%。利用YOLO-WEED识别模型分析田间杂草数量面积信息与人工结果进行拟合分析,线性回归模型的平均相关系数R~2为0.973,拟合度相对较高,说明通过杂草识别模型估算方法进行杂草数量和面积估算可以分析豆田杂草分布情况。利用Arcgis软件提取可见光图像经纬度位置信息,基于Java Sript语言,对地块进行棋盘网格划分,根据划分得到小方格角点进行多边形绘制,运用Java Sript同步编程与Cesium空间多边形技术进行本地化数据分布展示部署。