为了提高边缘计算设备对植物叶片病害检测的识别速率, 本研究采用卷积神经网络搭建了植物叶片目标识别模型和植物叶片病害分类模型, 并且使用 OpenCV 将两个模型整合成植物叶片病害检测系统. 通过 SSD (singleshot multibox detector) 算法对植物叶片的目标区域进行定位并裁剪, 再利用植物叶片病害分类模型对裁剪的植物叶片区域进行病害分类. 同时, 通过 TensorRT 加速推理对分类模型进行优化处理, 以及在同一台主机设备和 JetsonNano 计算平台上, 对优化前后的模型进行了对比实验. 实验表明, 在同一主机设备上优化后的植物分类模型识别速率提升 22 倍. 同时, 优化后的分类模型使植物叶片病害检测系统识别速率提升 7 倍. 而将优化后的系统部署在Jetson Nano 计算平台上, 对比优化前的植物叶片病害检测速率提升 10 倍, 实现了实时的植物叶片病害检测。