近几年随着智慧农业的发展,深度学习技术也应用到农业领域,出现了以农作物图像为基础的图像识别研究。而农作物图像的采集过程中难免存在阴影,而阴影的存在使得图像的信息变得复杂和模糊,有效去除农业图像的阴影能完善图像的质量,进而提高图像识别研究的效果。本文以西瓜叶片为研究对象,针对传统的阴影检测方法存在未对叶片进行保护,导致叶片信息丢失,未实现准确分割病虫害和阴影,并且未能给出一套完整的半影检测方法。本文基于YCb Cr颜色空间,并对上述不足之处进行了改进,提出了一套先检测本影再检测半影的阴影去除方法。并与其他阴影去除方法进行了比对实验,该方法阴影检测的平均IOU值达到了93.4%,平均精度为0.962,误检率为0.010,漏检率为0.017,整体的SSIM为0.979,PSNR为36.84,优于传统的阴影去除方法,取得了较好的阴影去除效果。为验证阴影去除的必要性以及阴影去除方法在计算机视觉中的实用性,本文采用两种不同的西瓜叶片图像进行验证,即去除阴影的西瓜叶片图像和未去除阴影的西瓜叶片图像,建立三个不同的训练集:未去除阴影的西瓜叶片图像训练集D1、阴影去除的西瓜叶片图像训练集D2,一半未去除阴影一半阴影去除的西瓜叶片图像训练集D3,利用深度学习目标分割算法Mask R-CNN建立了三个识别模型,分别为D1建立的西瓜叶片识别模型M1,和D2建立的西瓜叶片识别模型M2,以及D3建立的西瓜叶片识别模型M3。在此基础上,建立未去除阴影的西瓜叶片图像测试集T1和阴影去除的西瓜叶片图像测试集T2,去除测试集中图像的阴影也能有效的提高测试效果。使用不同的测试集对三个识别模型进行识别效果的测试。实验结果表明:M1的总平均IOU值为0.900,M2的总平均IOU值为0.948,M3的总平均IOU值为0.924。模型M1的识别效果最低,模型M3适中,模型M2的识别效果最佳。去除了阴影的训练集建立的图像识别模型具有更好的识别效果。识别模型M2的IOU值和TPR比M1提高了5.3%和6.4%。