一、选题背景与研究意义
1.1 选题背景
我国是农业大国，农作物病虫害是影响粮食安全和农产品质量的重要因素。据统计，每年因病虫害造成的粮食损失占全国粮食总产的相当比例。传统的病虫害诊断主要依赖植保专家或农技人员的人工判断，农民往往需要携带病叶样本前往农技站咨询，或等待专家现场指导。这种模式存在明显的效率瓶颈：专家资源分布不均、响应周期长、覆盖面有限，许多偏远地区的农民难以及时获得专业诊断服务。
与此同时，智能手机在乡村的普及率持续提升，为移动端农业信息服务提供了硬件基础。近年来，深度学习技术在计算机视觉领域取得突破性进展，尤其是卷积神经网络在图像分类、目标检测等任务上展现出超越传统方法的性能。国内外学者已开展大量基于深度学习的植物病害识别研究，部分研究在PlantVillage等公开数据集上取得了超过99%的分类准确率。然而，现有研究多停留在实验室环境下的算法验证阶段，真正落地为农民可用工具的系统仍然有限，且面临田间复杂背景、光照变化、小样本标注等现实挑战。
在上述背景下，开发一款轻量级、易用、面向真实田间场景的农业病虫害图像识别小程序，具有重要的现实意义和应用价值。
1.2 研究意义
理论意义：本研究将探索深度学习模型在农业病虫害识别任务中的优化路径，特别是针对复杂田间环境下的图像识别、小样本条件下的模型泛化能力、以及模型轻量化部署等问题，为计算机视觉技术在垂直农业领域的应用提供案例参考和方法论积累。
实践意义：传统病虫害诊断模式下，农民从发现异常到获得专业指导往往需要数天时间，错过最佳防治窗口。本研究拟开发的小程序可将诊断响应时间缩短至秒级，使农民“拍一拍”即可获得初步诊断结果和防治建议，有效降低技术门槛，提升防控效率。系统的推广应用有望减少因误判导致的农药误用和滥用，为精准农业和绿色防控提供技术支撑。
二、国内外研究现状
2.1 国外研究现状
基于深度学习的植物病害识别研究在国外起步较早。Mohanty等人（2016）使用GoogleNet和AlexNet在PlantVillage公开数据集上对26种作物病害进行分类，取得了99.35%的准确率，验证了深度学习在植物病害识别中的可行性。此后，相关研究逐步从实验室环境走向复杂场景。SLF团队开发的Plantix应用程序已在全球范围内获得数百万用户，成为植物病害智能诊断领域的代表性产品。
近年来，研究者开始关注多模态融合和知识引导的诊断方法。最新研究表明，将视觉特征提取与病理知识库结合，构建多模态智能体，可显著提升诊断的准确性和可解释性。例如，通过融合图像特征提取和结构化知识推理，系统能够建立“高湿环境→根腐病”“白色霉层→白粉病”等因果规则，在特定作物上的病害诊断准确率相比纯语言模型提升了47个百分点以上。此外，针对害虫识别任务，通过扩增害虫数据集和专用特征学习模块，识别准确率可从传统模型的11.7%大幅提升至接近100%。
2.2 国内研究现状
国内相关研究同样活跃。中国农业大学、浙江大学、中国科学院等科研机构在作物病害图像识别领域开展了大量工作，研究覆盖水稻、小麦、玉米、苹果等主要农作物。在玉米病虫害识别方面，有研究采用迁移学习对Inception V3模型进行改进，构建了玉米叶片病虫害识别系统，并基于微信小程序实现了前端交互，实现了从模型训练到移动端部署的完整技术链条。
在具体技术路径上，国内研究呈现多样化趋势。有研究者基于改进RT-DETR模型开展玉米叶部病害识别，探索目标检测框架在病害定位和分类中的应用。针对番茄潜叶蛾及其相似种难以区分的问题，周晓彦等人设计了多尺度蒸馏融合网络（MSDF-Net），构建双维度数据集，在微信小程序端实现了99.66%的识别准确率。苹果叶片病害检测方面，有研究融合MobileNet骨干网络和DeepLabv3+构建轻量化分割模型，结合自训练半监督策略，在仅使用40%标注数据的条件下仍能达到96%以上的分割精度，并将24MB的检测模型成功部署于微信小程序。
应用层面，国内已涌现出多款面向农户的智能诊断工具。例如，金华职业技术大学团队开发的“田诊通”小程序已在金华、杭州、温州等地推广应用，具备病害识别、百科查询、专家咨询等功能。云南曲靖烟草部门开发的智能病虫害鉴定小程序，将病虫害识别准确率从60%提升至92%，蚜虫识别率达到100%，并在当地烟农中推广使用。托普云农推出的“见虫”小程序支持8836种昆虫和76种病害的识别，响应时间仅需2秒。
2.3 研究现状评述
现有研究在技术可行性上已得到充分验证，但仍存在以下不足：第一，多数研究的数据集构建和模型训练在相对理想的条件下完成，对田间复杂背景、光照变化、病害不同阶段表现差异的覆盖不足；第二，高精度模型往往参数量大、推理成本高，面向移动端部署的轻量化优化研究仍需深化；第三，现有系统多针对单一作物或少数病害，面向多作物、多病害通用识别的系统仍较少；第四，用户界面设计和防治建议的表达方式对农民群体的适配性有待提升。
三、研究目标与主要内容
3.1 研究目标
本研究的总目标是设计并实现一款基于深度学习的农业病虫害叶片图像识别与初步诊断微信小程序。具体目标如下：
（1）构建一个覆盖多种常见农作物（至少3-5种）典型叶片病虫害的图像数据集，完成数据清洗、标注和增强。
（2）基于主流深度学习框架训练一个具备较高准确率和鲁棒性的病虫害识别分类模型。
（3）通过模型剪枝、量化等优化手段实现模型轻量化，使其适配移动端部署环境。
（4）完成微信小程序的前后端开发，实现图像上传、智能识别、结果展示与防治建议推送等功能，并进行系统测试与性能评估。
3.2 研究内容
（1）数据集的构建与预处理
实地采集和网络搜集农作物叶片病虫害图像，涵盖健康叶片、病害叶片和虫害叶片三类样本。对图像进行统一尺寸调整、格式转换、数据增强（旋转、翻转、色彩扰动等），构建标准化数据集并划分训练集、验证集和测试集。
（2）深度学习模型的选择与训练
对比主流卷积神经网络架构（如ResNet、EfficientNet、Inception等）在病虫害识别任务上的表现，评估迁移学习策略的有效性。针对田间复杂背景和光照变化，引入注意力机制或多尺度特征融合策略，提升模型的鲁棒性。
（3）模型轻量化与移动端部署
采用模型剪枝、权重量化、知识蒸馏等技术对训练好的模型进行压缩，减小模型体积和推理延迟。将优化后的模型部署至云端服务器，通过API接口与微信小程序通信，实现“拍-传-诊-答”的实时交互流程。
（4）微信小程序开发与系统集成
小程序前端实现拍照上传、识别结果展示、防治建议呈现、历史记录查询等功能。后端搭建基于Flask或类似框架的API服务，负责图像接收、模型推理、数据库读写和结果返回。防治建议模块依托植保知识库，参照已有系统的经验组织物理防治、化学防治和综合管理三方面的内容输出。
3.3 拟解决的关键问题
（1）复杂场景下的识别准确率问题：田间拍摄的图像受光照、阴影、背景杂物、拍摄角度等因素影响，模型需具备较强的抗干扰能力。拟通过数据增强和注意力机制加以改善。
（2）模型精度与推理速度的平衡问题：高精度模型往往参数量大，移动端推理成本高。需在保证识别效果的前提下，通过轻量化技术压缩模型，确保用户获得秒级响应体验。
（3）小样本条件下的模型泛化问题：部分病虫害的标注样本有限，可能导致模型过拟合。拟采用迁移学习策略，利用在大型通用数据集（如ImageNet）上预训练的模型进行微调。
四、研究方法与技术路线
4.1 研究方法
（1）文献研究法：系统梳理国内外农作物病虫害智能识别领域的研究文献，了解主流技术路线、模型架构、数据集构建方法和系统实现方案，为本研究提供理论参考和方法借鉴。
（2）实验研究法：设计对比实验，评估不同深度学习模型架构、不同训练策略（迁移学习、数据增强、正则化等）对识别效果的影响，通过定量指标（准确率、精确率、召回率、F1值等）优选最佳方案。
（3）系统开发法：按照软件工程规范，完成需求分析、系统设计、编码实现和测试验收的全流程开发。前端基于微信小程序框架，后端基于Python/Flask框架，模型基于PyTorch或TensorFlow实现。
4.2 技术路线
本研究的技术路线分为以下六个阶段：
第一阶段：需求分析与方案设计。明确目标用户（农民、基层农技人员）的核心需求和操作习惯，确定系统功能边界和性能指标，完成总体技术方案设计。
第二阶段：数据采集与预处理。实地拍摄和网络搜集农作物叶片病虫害图像，进行数据清洗、标注和数据增强，构建标准化数据集。
第三阶段：模型训练与优化。基于选定的深度学习架构训练病虫害识别模型，通过调整超参数、引入注意力机制、采用迁移学习等方式持续优化识别准确率和鲁棒性。
第四阶段：模型轻量化。对训练好的模型实施剪枝、量化等压缩操作，评估压缩后的模型精度损失和推理速度提升，确保满足移动端部署要求。
第五阶段：系统开发与集成。完成微信小程序前端界面设计，搭建后端API服务，将模型封装为推理接口，实现端到端的功能联调。
第六阶段：系统测试与评估。在真实田间环境下进行系统功能测试和性能测试，收集用户反馈，持续迭代优化。
五、可行性分析
5.1 技术可行性
本研究所涉及的核心技术——深度学习图像分类、模型轻量化、微信小程序开发——均已较为成熟。国内外已有大量成功案例可供参考，包括基于Inception V3的玉米病虫害识别系统、基于RT-DETR的玉米病害检测方案、基于多尺度融合网络的番茄潜叶蛾识别应用等。开源深度学习框架（PyTorch、TensorFlow）和微信开发者工具提供了完善的开发支持，技术路线清晰，实现难度可控。
5.2 数据可行性
图像数据的获取可通过以下途径解决：一是实地赴农田采集，与本地农业技术推广站合作获取样本；二是利用公开数据集（如PlantVillage、AI Challenger农业病虫害数据集等）进行补充；三是通过爬虫技术搜集网络公开的病虫害图像。多源数据汇集可有效保障数据量。
5.3 操作可行性
微信小程序具有“扫码即用、无需安装”的特点，适老化设计可通过简化操作流程（拍照→上传→查看结果）和采用大字体、语音提示等方式实现，已有实践表明老年农户经过简单培训即可熟练使用此类工具。系统的操作门槛低，具备在乡村推广的可行性。
六、创新点与特色
（1）面向真实田间场景的轻量化设计：区别于多数停留在实验室验证的研究，本研究从设计之初即面向农民实际使用场景，强调模型在复杂背景、光照变化下的鲁棒性，并通过轻量化技术确保在移动网络环境下的流畅体验。
（2）端到端的完整实现路径：从数据采集、模型训练到小程序开发、田间测试，覆盖了从技术研发到应用落地的完整链条，具有较强的实践价值和推广意义。
（3）兼顾识别精度与用户体验：在模型设计上追求高识别准确率的同时，在防治建议输出上注重语言表达的通俗性，参照已有实践将专业术语转化为农民易懂的操作性建议。
七、研究计划与预期成果
7.1 研究进度安排
7.2 预期成果
（1）构建一个包含多种农作物典型叶片病虫害的图像数据集；
（2）训练一个识别准确率达到90%以上、推理响应时间在3秒以内的病虫害识别模型；
（3）完成一款功能完整的微信小程序，支持叶片图像上传、病虫害类型识别、防治建议展示；
（4）撰写并完成毕业设计论文一篇。
参考文献
[1] 丁成辉. 玉米叶片病虫害智能识别系统的开发与实现[D]. 东北农业大学, 2024.
[2] Towards Knowledge-Guided Multimodal Agents for Interpretable Plant Health Diagnostics[C]. ACM, 2026.
[3] 徐思琦, 刘晓倩. 数字农业向新行：AI助力“虫口夺叶”[N]. 中国农网, 2025-06-24.
[4] 基于改进RT-DETR的玉米叶部病害识别研究[D]. 2024.
[5] 金华职业技术大学. 人工智能与田野的对话：“田诊通”小程序背后的产科教融合之路[EB/OL]. 2026.
[6] 基于深度学习的农作物叶片病害智能识别与诊断系统开题报告[R]. 2025.
[7] 周晓彦, 鞠醒, 于启炟, 等. 基于多尺度融合模型的双维度番茄潜叶蛾识别方法及应用[J]. 植物保护学报, 2025, 52(4): 972-984.
[8] 丁永军, 杨文涛, 黄海波, 等. 基于自训练的轻量化苹果叶片病斑检测方法[J]. 中国农机化学报, 2026(3).
[9] 杨芳贤. 从零到上线：一个农业AI小程序的设计与开发之路[EB/OL]. 53AI, 2025.
