随着人们对农产品品质的要求越来越高,为了使种植出的产品满足人们的需求,先进科技手段在农业中的应用已越来越重要。深度学习在图像识别问题中已得到广泛应用。传统的图像识别方法和深度学习的不同之处在于,深度学习无需对图像做复杂的预处理,图像的特征是网络通过学习归纳得到,无需人工设计特征。卷积神经网络模型是在图像识别方面应用最为广泛的一种深度学习模型。针对植物图像识别,利用计算机技术对植物的叶片进行处理。植物缺少不同的营养元素,会导致不同症状的出现,如变色、变形、生长受阻等,这些症状会使作物的产量和品质均有下降。用计算机视觉技术在植物生长过程中对缺素信息进行实时监测,可及时掌握作物的生长状态。本文基于深度神经网络对植物叶片缺素问题进行研究,对网络节点和层数进行设计,给出植物缺素检测算法,实现植物叶片缺素检测信息系统,该系统实现对黄瓜叶片缺素信息的检测,在移动应用程序框架基础上,应用深度神经网络算法对植物叶片进行检测。本文的具体工作如下:1、对黄瓜叶片数据集进行图像预处理,包括增强图片对比度、翻转旋转图片、部分置黑;2、对VGGNet、ResNet、GoogLeNet、MobileNet和AlexNet网络进行分析,针对黄瓜叶片缺素进行检测,比较选择效果最优网络;3、针对网络进行改进,通过设计2、3、4、5层卷积操作的4种网络深度与2种卷积核5X 5和3X3混合交叉组合进行实验对比,采样层构建方法对比最大值池化和平均池化,全连接层设计为3层结构构建网络结构;4、基于构建的卷积神经网络设计实现了植物叶片缺素检测移动端应用系统,该系统主要功能为:检测输入图片中黄瓜叶片的缺素信息、提供黄瓜缺素的症状与应对方法。实验结果表明,基于本文的网络检测准确率可达到95.31%。该方法可以较好地实现黄瓜叶片缺素信息的检测,检测系统简单易用。