苹果作为我省乃至全国重要的经济作物之一,在农业经济中占据重要的地位,苹果在种植过程中,遭受多种病害的影响,其中作为光合作用的叶片部位遭受病害的影响极大,从而影响苹果的经济效益。因此高效便捷的检测苹果叶片部位的病害有着非常重要的作用。传统的苹果叶片部位的病害检测需要大量的图像预处理及分割,工作量大且缺乏灵活性.由于苹果叶部病害区域的颜色、形状、纹理等信息复杂。针对上述问题,本课题是以三种常见的苹果叶部病害展开研究,主要搭建适合苹果叶部病害检测模型进行研究,提高苹果叶部病害的检测效率,具体的研究内容如下:针对苹果病斑检测的目标较小、检测的准确率仍需要进一步提高的问题,本文提出了一种基于Faster R-CNN模型与特征金字塔相结合的网络模型,该模型在提取目标特征时,将深层语义信息与渐层特征信息融合,减少了特征信息的损失,提高了小目标提取的准确率。通过一系列实验对比,结果显示在公共数据集VOC2012,本模型平均精度相比Faster R-CNN模型的平均精度提高了3.03%。m AP提高了3.88%;在扩充苹果数据集上,m AP相比未扩充的苹果数据集提高了2.43%,表明了本模型对苹果叶部病害检测的可行性。针对融合特征金字塔提取特征参数量、计算量大、检测时间长的问题,本文提出了一种基于SE-Res Net-50网络与特征金字塔相结合的问题,该网络将深层特征信息与浅层信息特征融合的基础上,利用SE模块解决了通道之间的依赖关系,使得模型具有更多的非线性,缓解了通道之间的复杂关系,极大地减少了参数量和计算量。通过一系列实验对比,结果显示在公共数据上,本模型检测的平均精度相比Faster R-CNN模型的平均精度提高了6.15%,m AP提高了3.18%;在扩充苹果数据集上,m AP相比未扩充的苹果数据集提高了2.05%,表明了苹果叶部病害检测模型的优越性。最后,基于本文Faster R-CNN-SE-FPN模型设计一个苹果叶部检测系统,通过150张苹果叶部病害的图片,总检测的准确率高达96%,表明了本系统的可行性。