ETREducational Theory and Research2995-34482995-3456Art and Technology10.61369/ETR.2026090042Article基于图像识别的玉米病害分类关键技术研究https://artdesignp.com/journal/ETR/4/9/10.61369/ETR.2026090042郑雨晴2026492026-02-27为解决玉米病害识别中存在的数据源单一、早期病害特征不明显、小样本场景适应性差等问题，提升玉米病害分类的准确率与实用性，本研究围绕图像识别技术在玉米病害分类中的应用，分四阶段开展关键技术攻关。阶段一构建包含视觉、纹理、光谱多模态信息的玉米病害数据库；阶段二设计高效特征提取网络与多模态融合模型；阶段三针对小样本和早期病害识别的难点；阶段四完成系统集成与成果总结。实验结果表明，本研究提出的技术方案在玉米常见病害分类中准确率达96.3%，早期病害识别准确率达89.7%，小样本场景下性能较传统模型提升18.2%，可为玉米病害精准防控提供技术保障。图像识别,玉米病害分类,多模态融合,小样本学习,早期病害识别

[1] Smith J, Wilson K, Brown A. Corn Disease Classification Based on Convolutional Neural Network[J]. Journal of Agricultural Engineering, 2020, 51(3): 45-53.[2] Jones L, Miller S, Davis R. Multispectral Image-Based Corn Disease Detection Using Machine Learning[J]. Transactions of the ASABE, 2021, 64(2): 679-688.[3] 李刚, 王强, 张丽. 基于改进ResNet 网络的玉米病害识别研究[J]. 农业机械学报, 2022, 53(7): 213-220.[4] 张敏, 刘杰, 陈明. 多模态数据融合的作物病害识别方法[J]. 计算机应用研究, 2023, 40(4): 1189-1193.[5] 张明, 李丽, 王芳. 基于元学习的小样本玉米病害识别方法[J]. 模式识别与人工智能, 2022, 35(9): 821-828.[6] 刘伟, 赵鑫, 李娟. 基于注意力机制的多模态作物病害融合识别模型[J]. 计算机工程与应用, 2023, 59(12): 245-252