玉米是我国重要的粮饲兼用作物，种植区域广泛，生产条件复杂多样，其中病害是阻碍玉米产业发展的主要因素之一，加强发掘抗病种质资源新品种是解决这一问题最经济、最有效的途径。基于深度学习的玉米病害分类方法具有精度高、成本低等优点，在玉米病害识别研究中得到了广泛的应用。但由于田间环境复杂，导致当前基于深度学习的玉米病害识别方法，在大规模玉米种质资源鉴定和育种田中应用时可迁移性较差。针对这一问题，本研究首先利用深度相机（RGB-D）数据中的深度信息对玉米叶片和背景进行分割，去除田间复杂背景的影响，然后使用深度学习模型构建田间环境下玉米小斑病、玉米弯孢霉菌叶斑病、弯孢和小斑混合病斑精准分类模型，并比较了四种不同深度学习模型的分类结果。

本项研究分别构建了MobileNet-V2、Vgg16、Efficientnet-B3、Resnet50，四个基于深度学习网络用于玉米植株疾病检测的实现和性能分析。目标是：（1）利用RGB-D数据的深度信息对获取的玉米叶片病害数据进行分割，提取叶片，去除背景干扰信息，然后分别基于分割前与分割后的数据集，利用四种深度学习模型构建病害分类模型；（2）对比分析多种CNN模型分别在分割前后的数据集上的性能，权衡运行效率与分类精度，选择最佳的分类模型；（3）分析分割前后图像中叶片信息和背景信息对鉴定结果的贡献，揭示分别基于分割前后数据集构建的病害鉴定模型是否稳定的机理。结果表明：利用分割后数据集训练的过程中感兴趣区域基本都集中在叶片上，且运用MobileNet-V2模型对分割后数据集的进行训练得到的模型，在样本量有限、硬件资源较少的情况下，深度图像数据集的分类准确率达到97.82%，每朵花的分类速度可达1.21 s。与其他传统的轻量级经典网络相比，所提方法在模型大小、参数数量、识别精度、图像检测速度等方面表现出较强的竞争力和优异的分类性能。MobilenetV2模型在尺寸和单张图像预测时间方面优于其他三个模型。更高的分类精度和更好的稳定性有助于开发更好的农业病害检测工具。所提出的方法比常见的基于RGB图像的方法具有更高的分类准确率和更好的稳定性。研究成果可以为在农业领域中的病害检测和预测提供更为准确可靠的技术手段。总之，本研究为农业生产管理提供了可靠的参考。

图1 研究区概况

图2 试验设备

图3 本研究的数据采集过程（A）数据收集示意图，以及（B）RGB和RGB-D图像的比较

图4 玉米叶片病害的类型，包括（A）弯孢叶斑病，（B）小斑病，（C）混合斑病

图5 数据增强示例，包括（A） 原始图像、（B） 模糊图像、（C） 旋转图像、（D） 翻转图像、（E） 噪点图像和 （F） 增亮图像。

图6 每个模型分割前的混淆矩阵

图7 每个模型分割后的混淆矩阵

图8（A） 每个模型分割前单个预测所需的时间。（B）每个模型细分后进行单个预测所需的时间

图9 各模型分割前后图像的特征提取可视化对比