编辑推荐：
针对作物病害叶片症状与环境信息复杂多样导致检测精度下降、病害识别效率低及特征建模难等问题，研究人员开展玉米（Zea mays）病害识别研究，提出改进 CNN（SPDNet 和 GrNet，即 SPDGrNet），实现 98.96% 分类精度，优于多种经典算法，为移动检测设备模型移植提供思路。
控制栽培植物叶片病害对作物产量和品质至关重要，叶片症状和环境信息是农作物病虫害识别的基础。由于病害叶片症状和环境信息的复杂性与多样性，农作物病害检测方法的准确性有所降低。针对病害识别效率低和特征建模困难的问题，研究提出一种新的深度学习算法并取得理想结果。研究利用改进的卷积神经网络（convolutional neural networks，CNNs）SPDNet 和 GrNet（SPDGrNet）进行玉米（Zea mays）病害识别，重点分析玉米健康、叶枯病、南方叶枯病和灰斑病四类症状。实验结果表明，该方法优于其他优秀的植物病害识别算法，总体分类准确率达 98.96%。与 AlexNet、VGG-16、Inception-V4、ShuffleNet-V3 和 Efficient-B7 相比，该模型准确率分别提升 27.78%、19.05%、14.59%、10.28% 和 7.06%，对应准确率分别为 71.18%、79.91%、84.37%、88.68% 和 91.9%。该模型在 PlantifyDr、Plant Pathology 和 New Plant Diseases Dataset 等开源数据库中具有出色的泛化能力。该策略可为模型移植到移动病害检测设备提供思路，对农业系统智能化发展和农作物叶片病害分析具有重要意义。
