玉米作为全国乃至全世界最主要的粮食作物之一,在食用、饲料用途、工业加工等方面发挥着重要的作用。近年来,随着全球气候异常以及玉米品种更换等原因,玉米叶部发生病害的现象明显增多,这给玉米的生产带来了极大危害。常见的玉米叶片病害有十几种,其中以大斑病,灰斑病与锈病为主。传统的玉米叶片病害分类主要靠工作人员肉眼观察的方式,然而该方法不仅判定效率低下,而且往往受主观因素制约。因此,有必要寻觅出一种高效且精准的玉米叶片病害识别方法。针对这种现象,本文将深度学习应用于农作物病害识别领域,因为卷积神经网络可以出色的进行特征提取,并利用迁移学习可以在小样本数据上发挥出优秀表现的特性,提出一种识别准确率高、分类速度快的玉米叶片病害图像分类模型。本文的研究工作主要包含以下几个方面:首先,在开源数据集网站上收集到四种玉米叶片图像,其中包含三种常见的玉米叶部病害图像和一种玉米健康叶片图像。将收集到的数据集比例划分为8:1:1,用于模型的训练、验证和测试。随后对训练集中的数据采取随机翻转、随机旋转角度、随机调整明暗度与平移的方式,进行数据增强来扩充数据。其次,为了提取更加细微的玉米叶片病害特征,本文中对传统的ResNet-50模型进行了改进,并将其命名为ResNet-50i。提出的改进策略有:使用LeakyReLU激活函数替代Re LU激活函数;改变残差块中批标准化层、激活函数与卷积层的排列顺序;注入通道注意力机制,将SE模块与深度残差网络相融合。实验结果表明,本文中每一项改进策略都对玉米叶片病害的分类效果起到了正向促进作用。改进的ResNet-50i模型在玉米叶片病害图像分类中得到了98.3%的正确率,较未经过改进的传统ResNet-50模型提升了3.8%,与其他网络模型相比准确率大幅提升,鲁棒性进一步增强,可为玉米叶片病害的识别提供参考。最后,由于ResNet-50i模型网络参数仍然较多,且训练速度较慢,因此需要将深度残差网络进行轻量化改进。提出了两种轻量化改进策略。其一,将传统的ResNet-50模型第一层卷积层中7×7卷积核替换为3个3×3的卷积核。其二,将深度可分离卷积与残差块相结合,通过深度卷积与逐点卷积操作降低计算量。经过以上两种轻量化改进后得到ResNet-50light模型。实验结果证明ResNet-50light的准确率达到了98.5%,比ResNet-50i模型高了0.2个百分点,与此同时明显减少了参数量,大大提高了分类效率。充分论证了本文中改进的两种深度残差网络模型更适合用于玉米叶片病害图像的分类研究。