Application创新应用156电子技术第52卷第5期（总第558期）2023年5月成绩。玉米是我国产量最大的粮食作物。在玉米农作物耕种阶段要做好玉米病害识别去除工作，玉米整个生育期可能遭受多种病害的侵袭，玉米大斑病（Exserohilumturcicum）、弯孢叶斑病（Curvularialunata）和灰斑病（Cercosporazeaemaydis）是我国玉米上的3种重要病害，长期以来一直是玉米高产、稳产的重要限制因素[1]，而依靠大田调查、人工判别玉米病害严重程度的传统方法存在耗时、费力的缺点，且该方法为定性判别，主观性较大。因此，如何快速准确地发现并识别玉米病害，采取相应的防治措施，对确保玉米丰收具有重要意义。通过采取以深度学习为基础的卷积神经网络玉米病害识别方法能够快速有效的寻找出玉米现阶段生长过程中存在的各种病害问题，更有利于为玉米叶部病害的快速识别、积极防治提供了科学的方法和依据，对减少人工成本投入、促进本地区农业的发展有重要意义。2深度学习技术的特点基于大量数据。深度学习技术一般情况下都是在数据量较大的基础上进行工作的，（1）因为如若数据量较少的话，通过手动分析便能够进行数据收集以及分析等，使用深度学习技术就显得有点多余；（2）因为较小的数据量通常不能够直接反映出现实世界的一般特征，即使使用深度学习技术进0引言在玉米种植过程中采取基于深度学习技术卷积神经网络玉米病害识别方法能够对玉米叶部病变进行识别，对玉米产量的提升有着重要的影响。1研究背景国外在农作物病害诊断识别领域研究比较早，大约起始于1980年代。当时因为深度学习技术还没有流行，大多采用传统的SVM特征提取识别病害。但是人工设计特征提取器非常麻烦，而且应用于不同的作物叶片场景也相对比较困难。近十几年来，随着机器学习和深度学习的火热发展，国外的专家学者对相关技术研究非常深入，很大程度上推动了卷积神经网络算法的发展。Mehdipour等人使用名为PlantVillage的公共数据集，其中包括38种标记类，包括14种作物的26种疾病。用AlexNet和GoogLeNet两种网络进行实验，他们通过在不同网络、数据集、训练方式以及训练/测试比例的60个对比实验中去研究深度CNN对于植物疾病分类任务的准确性。相比于国外，国内的研究人员在农作物叶片病害识别方面的研究起步较晚，但是近些年来采用了很多新方法，在某些作物的病害识别方面也取得了非常显著的效果，尤其是在玉米叶部病变识别技术研究方面，我国更是取得了优异的研究基金项目：内蒙古自治区教育厅...
