农业作为我国的第一产业,农产品的安全是国家稳定、人民幸福的关键保证。我国人口数量位居世界第一,但人均耕地面积相对较少,粮食的安全问题显得尤为重要。农作物的质量直接影响粮食的产量和品质。玉米作为农作物中的重要产品,其叶片的病斑、破损等缺陷在外观上无法准确区分,需要消耗大量的人工手段加以分类和预防。然而通过计算机视觉技术可以快速、准确地对玉米叶片病害进行检测。本文基于深度神经网络、迁移学习和边缘计算等多学科领域,分析和研究一种玉米病害的分类系统。一方面,随着移动计算和物联网(Io T)的普及,数十亿的移动设备和物联网设备连接到互联网,在网络边缘产生海量字节的数据。在这一趋势的推动下,迫切需要将人工智能前沿推向网络边缘,充分释放边缘大数据的潜力。而作为现如今支撑现代技术最为火热的深度学习,如何合理的与物联网结合,并应用在农业领域,成为当下非常重要的研究方向。另一方面,目前深度学习广泛应用于各种农业场景,包括物联网的传感器和摄像头等终端设备正在获取的农作物数据。这些数据需要使用深度学习进行实时分析,或用于训练深度学习模型。然而,深度学习模型需要消耗大量的计算资源。此时,利用边缘端在终端附近、拥有一定计算能力和低延迟的特点,将边缘计算和深度学习结合在一起成为一种可行的方法。本文介绍一种基于边缘计算和深度学习的模型Cloud-Edge Transfer-learning,主要包含以下工作:(1)研究不同深度卷积神经网络模型的玉米叶片病害识别精确度。通过比较Alex Net、Goog Le Net、Res Net18模型训练得到准确率和损失值,比较三种模型对玉米叶片病害识别的泛化能力和适合程度。再通过使用数据扩增技术对原始数据进行2、4、8倍的扩增,发现训练图像数量不同,模型的泛化能力也有明显差别。当数据量增加时,本文所选模型具有更好的学习能力。(2)提出一种基于边缘计算和深度学习的模型Cloud-Edge Transfer-learning。该模型将完成三个任务:首先是将我们在终端采集到的训练数据传给云端计算设备,由云端设备训练神经网络模型;其次将训练好的模型传到边缘设备;最后将终端测试或继续训练的图片传给边缘端,边缘端通过迁移学习来识别或训练图片数据。(3)模拟出云服务器的两种状态,High load server和Low load server,然后分两个阶段进行实验。第一个阶段为数据传输阶段:将数据发送给云服务器和边缘设备。在第一阶段,实验中通过传输玉米病害图像数据集,发现当终端数据与边缘设备互相传输数据时,由于边缘段更靠近终端,其传输速度能够极大的满足图像识别的及时性。第二个阶段为网络训练阶段:通过使用终端发送的数据训练卷积神经网络,云服务器在Low load server状态下,模型训练时间短,充分有效的利用计算资源。我们发现通过云服务器训练网络模型,然后云服务器将训练好的模型发送到边缘端,最后由边缘设备通过使用迁移学习和训练好的模型对新数据进行再训练、识别等任务,就可以不用考虑云服务器的负载状态。最后,实验结果表明,本文提出的Cloud-Edge Transfer-learning模型结构能够减轻云端压力,提高运行速度,降低总运行时间。