软件是一款精确度高、实时性强的植物病害检测系统。当今是人工智能的时代，利用深度学习算法可以很好地解决图像分类的问题。因此，我们考虑使用计算机来辅助人工进行植物的病害检测，一方面借助计算机视觉算法检测目标物体的实时性，另一方面借助卷积神经网络模型识别分类疾病的准确性。将计算机视觉识别和卷积神经网络有机结合，可以大大提高植物病害检测系统的实时性、准确性和鲁棒性。综上所述，本毕业设计课题的研究目标如下： 1)通过SSD算法对植物叶片进行特异性检测与识别，要求从实时图像中精准地识别和查找到相应作物的叶片，同时对目标区域图像进行提取。 2)通过ResNet残差神经网络模型对SSD提取目标区域图像进行实时诊断检测，诊断出叶片的健康程度。 3)设计一款具有综合应用功能的上位机软件，用于实时获取植物叶片的健康状况，同时对叶片相关的疾病给出解决方法和诊治方法，方便相关工作人员进行操作使用。此外还可以满足相关机构或是企业用于交流的邮件系统，以及为工作人员提供当地实时的天气状况，同时判断当前天气状况是否适合户外工作。

本系统的web端的搭建基于streamlit框架， streamlit是一个开源 Python 框架，可以快速的搭建机器学习与数据分析的web端平台，同时也可以使用 Streamlit 轻松部署web端。Streamlit 允许您以与编写 python 代码相同的方式编写应用程序。Streamlit 可以无缝地处理 Web 应用程序中的编码和查看结果的交互循环。 在编程时，如果 streamlit 的 python 脚本的源代码发生更改，应用程序会在右上角显示是否重新运行应用程序。还可以选择“始终重新运行”选项以在源脚本更改时始终重新运行。 这使的web端的开发流程变得更加容易，每次进行一些更改时，它都会立即反映在当前的 Web 应用程序中。编码和实时查看结果之间的这种循环使您可以无缝地使用 streamlit。

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 (single shot 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 Jetson Nano 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。