随着现代信息技术的飞速发展,计算机视觉面向不同领域都取得了可观的成效。图像识别作为计算机视觉技术体系中的关键环节,其特点是需要依赖更多数据的开放、更多基础工具的开源和算法的更新迭代。当中利用图像识别与计算机模拟技术来模拟人类对观测到的农作物图像进行分类和判断,已成为智慧农业应用中不可或缺的重要步骤。以玉米为代表的农作物果穗图像识别可以实现作物精准培育、自动化考种等智能操作,大程度的降低人力成本并提高分类识别准确率。其中深度学习作为机器学习领域内的一门新型学科,其基于卷积神经网络的图像应用,在图像识别领域取得了显著效果。因此,本文将深度学习应用结合到玉米果穗图像识别中,分别对玉米籽粒及穗轴图像进行分类识别。具体研究内容如下:1.对当前深度学习发展现状及问题进行介绍。通过Web of knowledge统计近8年关于玉米品种识别的相关文献数据,分析国内外针对玉米品种识别的研究情况。2.设置图像采集装置以构建数据集。通过在室内坏境对玉米果穗进行人工考种,获得籽粒和穗轴样本。为了满足批量处理和后期实验操作,本实验运用北京农业信息技术研究中心开发的玉米籽粒表型检测系统对采集的图像进行图像预处理,获得包含目标特征的实验图像数据集。3.对基于深度学习的玉米籽粒图像分类识别算法进行深入研究。进行玉米籽粒完整性识别,构建不同尺寸大小的图片,比较图片大小差异对识别率的影响。深度进一步提高网络性能,拓展网络,将基于卷积神经网络的玉米籽粒图像识别结果与传统玉米籽粒图像识别结果作对比分析,选取合适的激活函数和方法。实验结果验证了籽粒数据集在VGG16深度网络下,识别率达到94.6%,明显高于传统神经网络的识别准确率。实践证明,该方法具有良好的鲁棒性和较高的识别率。4.使用Mask R-CNN实例分割算法通过目标检测框架对玉米穗轴横截面图像进行检测,详细介绍了基于Mask R-CNN区域卷积神经网络构建玉米穗芯检测的设计方法,以ResNet101作为分类模型,运用玉米穗轴图像数据集训练该网络,实验结果表明该方法的mAP值达到0.94,可以在多个数据集上实现高效精准的区域检测效果。