农作物病虫害不仅严重制约了农作物的产量,而且影响了人们的生活品质,因此,对农作物病虫害的及时诊断是一项十分重要的工作。但是,农作物病虫害的诊断仍然以人工观察为主,这种传统方法不适应农业智能化的发展需求,因此,随着深度学习的发展,越来越多的研究人员开始关注农作物病虫害智能识别方法的研究。本文以常见的3类水稻病害为研究对象,提出基于语义分割的水稻病害检测方法,主要研究内容包括:数据集建立、数据分析与网络选型、水稻病害检测模型的训练与改进。1.三种常见水稻病害数据集的建立。目前,在农业病虫害检测领域,样本图像的获取比较困难,且图像标注需要花费大量的人力物力,因此,缺少可用于训练的数据。为增加样本的多样性,本文对收集到的样本以图像变换的方式进行扩充,并人工标注,制作语义分割数据集。2.数据分析与网络选型。本文收集到的病害样本图像规模较小,为减小模型过拟合的风险,宜采用轻量级语义分割网络进行训练。通过对常用的强监督语义分割模型进行性能对比分析,并结合本研究使用的数据的特点,选择U-Net作为本文的水稻病害检测网络。3.基于改进U-Net的水稻病害检测方法的研究。首先使用自制数据集,基于U-Net网络训练水稻病害检测模型,并对实验结果进行分析。针对实验中存在的多尺度目标检测效果差的问题,引入改进的空洞空间金字塔池化(ASPP)模块对U-Net进行改进,提出改进U-Net的水稻病害检测方法,并进行对比实验。在数据集上的实验结果表明,通过对多尺度目标信息的融合,改进U-Net网络对不同尺度的病斑具有较好的检测性能,模型的召回率和F1值均有所提高,验证了改进网络的有效性。本文提出的基于语义分割的水稻病害检测方法,输出结果为mask图像,实现了端到端的检测,效果直观,可以为农作物领域其他病虫害的自动识别研究提供借鉴和参考。