植物是地球上所有生命的支柱,若要更好地保护植物就必须对植物的种属有更细致的了解。传统的植物分类方法对设备和识别人员有较高的要求,而今计算机技术得到高速发展,借助图像处理、深度学习等技术能够更快速更准确地进行植物分类。叶片作为高等植物普遍存在且容易观察的重要器官,在基于深度学习等计算机技术的植物分类中通常被选择为特征载体。本文构建了木兰科属植物叶片数据集,基于数据集及YOLOv3算法改进并提出了木兰科属植物叶片的检测识别算法。首先,本文对图像数据通过图像归一化、水平变换、缩放、旋转、亮度调节等方式进行了数据增强。其次,基于YOLOv3算法针对木兰科属植物叶片的特点进行改进,具体包括将先验框数量增加为12个,并采用K-means++聚类算法获取最优先验框宽高,得到了包含4个尺度的输出检测图的木兰科属植物识别算法YOLOv3＿T。再次,本文优化了网络模型中的损失函数,对函数中的宽高部分进行加权,采用分类网络预训练,同时在训练阶段使用了多尺度训练方法。最后,通过4859张木兰科属植物叶片测试集样本图像进行测试,结果表明本文设计的木兰科属植物识别网络对木兰科属植物叶片的识别率能够达到96.61%,相较于YOLOv3算法的78.39%的识别率,有大幅度的提高。与目前现有的植物叶片识别方法比较,本文设计的木兰科属植物检测识别模型更加针对木兰科属植物,能够大幅度提高识别精度,且有效改善了传统方法识别速度慢、效率低的问题。基于本文设计的YOLOv3＿T算法以及Py Qt5设计开发了木兰科属植物识别系统,能够实现木兰科属植物的快速有效检测识别,无需专业人士的人工干预即可实现对木兰科属植物的识别,使其能够不受制于传统仪器设备,更贴近日常应用。