1.设施或露地生产环境下获取的病害图像中常包含复杂背景，且背景中含有与病状或病症相似的元素，这增加了模型识别病害类型的难度，因此有效的去除背景是解决实际环境病害图像识别的首要关键技术之一。现有蔬菜病害图像分割的研究多数都是针对简单背景或者裁剪后的病叶图像进行处理，针对复杂背景病害图像进行处理的研究相对较少。为解决实际环境下蔬菜病害图像的有效分割问题，拟将分割任务分解为连续的两个阶段：背景移除和含病状或病症的目标部位（病叶、病茎、病果）分割。第一阶段研究背景移除技术，通常病害图像中含病状或病症的目标部位比背景部分更能吸引观察者的注意，引入一种显著性检测的方法对病害图像进行处理，首先使用基于稠密和稀疏的显著性检测算法计算病害图像的显著图，然后结合多阈值分割和数学形态学操作得到去除背景病害图像。第二阶段研究含病状或病症的目标区域（病叶、病茎、病果）分割技术。利用卷积神经网络对几何变换和光照具有高度不变性来消除病害图像因光照和拍摄角度变化带来的影响，研究基于深度卷积神经网络的病状或病症区域语义分割。利用多个不同的池化模板提取并融合病害图像的多尺度特征，从而增强特征的表示力度；用 Unpooling 方法将被多次池化之后的特征图上采样到输入图像大小，使网络能够对每个像素进行分类识别，最终实现含病状或病症的目标区域（病叶、病茎、病果）的分割。

2.蔬菜病害的病状或病症区域小，特征模糊且复杂。不同病害种类的病状或病症存在相似性，而同一病害种类在不同发展阶段病状或病症存在差异性，难以精确、定量对症状进行描述。因此研究高抗干扰能力、高鲁棒性、高精度识别能力的“三高”深度残差网络模型是提高蔬菜病害识别普适性的关键技术之一。以机器学习泛化理论为基础，研究多尺度卷积核对病害图像全局特征提取能力的影响，深度残差网络对蔬菜病状或病症局部细微的特征表达能力的作用机理，参数共享反馈对图像噪声抑制作用，从而提高模型的抗干扰能力。研究深度残差和参数共享反馈模块的结合方式，通过对模块间多种结合方式的选择与比较，最终确定最优的组合方式来构建整体性能最佳的网络模型，以更好的满足实际环境蔬菜病害图像识别的鲁棒性需求。网络结构方面，研究残差模块之间的不同的连接方式，充分发挥深度残差网络的优势，结合优化算法来进一步提高蔬菜病害图像高精度识别能力。研究注意力机制对症状区域特征提取的工作机制和实现机理，通过设计注意力网络结构实现模型对症状区域重点关注，引导模型主网络提取到更多的病状或病症关键信息，改善模型的识别性能。通过理论分析和系列实验设计最佳的注意力网络模块结构，以及与主网络的整合方式，包括：注意力网络模块在主网络中的位置设计与合理性分析，通道数量的设计与有效性的验证，注意力网络模块数量对主网络识别性能的量化分析与解释。

3.针对蔬菜生产中存在病害识别不及时、不准确、盲目施药等问题，研发基于“无人机+AI+农业”的智能蔬菜病害识别与服务平台软件，构建一种新型蔬菜病害智能服务模式是解决蔬菜病害识别落地的关键技术之一。平台由客户端 APP、平台端病害识别引擎、平台端病害防治知识库、大数据分析等构成。客户端 APP 为农户提供适用于田间的无人机移动端应用，主要作用是图像采集、病害识别与防治方法查询。平台端的病害识别引擎可实现病害样本训练和实时的识别查询。病害防治知识库为确定的病害提供具体的防治方法。无人机采集数据分析根据客户端识别服务数据，及时掌握区域内大范围病害发生的类型、分布及发展情况。