摘 要

草莓作为一种常见的水果，其生长过程中面临着多种病虫害的威胁，这对草 莓的产量和品质造成了严重影响，而且传统草莓病虫害识别的方法，存在主观性 强和识别难度大等问题。随着人工智能技术尤其是深度学习的飞速发展，为草莓 病虫害的自动检测提供了有力的技术支撑。本文以自然环境下的草莓病虫害为对 象，采用深度学习目标检测算法对病虫害进行准确识别与定位，并且使用带有

gpu 的嵌入式设备来实现草莓病虫害检测系统的移动检测，本文主要工作如下：

（1）针对国内草莓病虫害数据集缺失的问题，本文在研究了自然环境下的 草莓病虫害特性之后，构建了一个草莓病虫害数据集以适用于深度学习模型的训 练。其包括了七类常见病虫害，并采用数据扩增技术来应对样本不均衡及数量不 足的问题。该数据集为本文的深度学习算法提供了坚实的基础，确保了病虫害检

测模型的可靠性和优越性。

（2）针对 yolox 模型在面对复杂的植被背景干扰、多种病虫害类别、以 及高度相似的病虫害可能导致的误检和漏检问题，本文通过不同位置的多种注意 力机制融合，引入坐标注意力机制、通道注意力机制和卷积块注意机制分别对 focus 模块，spp 模块和 pafpn 结构进行优化，使网络在不同位置更加聚焦于学 习和关注关键特征，提高网络对病虫害目标的关注度，降低对背景的敏感性，减

少误检和漏检问题，提高模型的实用性和适应性。

（3）针对草莓病虫害形状和尺寸不同导致的定位不准确问题，本文引入了 ciou 目标回归损失函数，使模型能够更准确地回归各种不同形状和尺寸的草莓 病虫害目标框，提高了目标框回归的准确性。并且在训练阶段，使用 mosaic 算 法和 mixup 算法进行数据增强，有助于模型学习更广泛的特征，提高模型在不

同环境下的鲁棒性和泛化性能。

（4）本文将改进后的 yolox 模型部署到 jetson nano 4g 深度学习嵌入式 设备中，并结合包括摄像头、显示屏等其他硬件设备，以提供完整的草莓病虫害 检测系统所需的功能和性能，再通过 pyqt 开发的 gui 交互界面和模型调用的 软件系统，成功构建了一个完整的草莓病虫害检测系统，可以在实际场景中进行

草莓病虫害的检测任务，实现了草莓病虫

害的智能化识别。

tive angular margin loss，arcface)来稳定人脸识别算

法的训练过程， 进一步提高人脸识别模型对复杂人脸的

判别能力。此类算法鲁棒性强，但模型复杂、计算量大，

存在实时性差的问题。目前， 基于面部表情识别的监测

主要是对课堂中学生面部出现的困惑、惊讶、难过、开

心等情绪进行识别。例如 mohamad[6]等为了克服数据稀

缺的挑战，提出了一种深度学习模型与两步策略训练法，

对在线课堂中学生的表情进行识别。于婉莹[7]等构建了

多路深度注意力网络，通过自注意力机制分配不同权重，

并使用损失函数限制权重的分配，以解决复杂课堂场景

存在遮挡情况下的学生表情识别问题。但此种方法因学

生面部表情种类繁多，且往往是关注整张脸的变化，缺

乏关注面部关键部位信息变化，导致识别效果不佳。相

较之下，基于学生面部关键点的疲劳检测算法更加直观，

只需关注眼部与嘴部位置变化，以此判断是否有闭眼、

打哈欠等行为， 并可以结合头部姿态估计判断是否存在

低头瞌睡行为。例如 zhuang[8]等提出一种基于瞳孔和虹

膜分割的眼睛状态疲劳检测方法。yi[9]等提出同时检测

眼睛宽高比、眼睑闭合超过瞳孔的百分比、

的深度学习网络检测打哈欠行为。mou[11]

等开发了一种各向同性自监督学习方法判断眼睛与嘴巴

的状态。 基于面部关键点的疲劳检测算法在疲劳驾驶和

单人听课状态检测方面已经展现出一定的鲁棒性。但在

线下课堂的应用背景下，由于学生人数多， 且像眼部这

种关键部位的数据占比偏小，导致闭眼检测效果不佳。

针对以上问题， 该研究设计了学生课堂学习状态监

测系统，此系统可以实现实时监测线下课堂学生的出勤

情况和疲劳行为。该系统使用具有高检测精度与实时性

优势的双重人脸检测器(dual shot face detector，dsfd)算

法结合 res 网络实现复杂环境下的精确人脸识别