随着人工智能在农业方面的应用,农业智能化和现代化发展更快,实现精准农业是其核心部分之一。现阶段我国玉米种植面临多种病害侵蚀,病害类型多且交叉,症状主要出现在玉米叶片上,同时由于大田种植缺乏有效地管理、无法及时精准的获取农田的信息,影响玉米的生产管理和产量。目前通过机器学习识别玉米病害的研究中无公开、高质量的数据集,而基于深度学习的玉米病害识别首先需要一个强大专业且高效的数据集,其次深度学习对设备要求高,模型结构复杂,自定义网络实现小样本数据分类准确率低,为了实现精准判断玉米的生长状态,通过物联网技术实现远程监测玉米生长状态及病害,达到解放劳动力,节约资源,优化管理的目的,因此本文结合深度学习和IOT技术设计了一套综合的玉米病害识别及生长的IOT智能监测系统。本课题的主要研究内容如下:（1）建立玉米病害图像数据集（Corn Disease Data-Set,CCDS）。通过网站下载、网络爬虫等多种技术获得玉米病害图像,选用Plant Village图像数据集中的玉米病害图像,以及自采玉米病害图像,经过人工筛选审核后对图像进行处理、数据增强,建立起玉米病害的专业数据集,包括玉米健康、大斑病、小斑病、锈病4种类别。该标准数据集除用于自身研究,可公开发布以推动玉米病害识别领域的研究。（2）使用迁移学习的方法解决自建小样本玉米病害数据集的分类问题。首先是基于自定义模型在小样本数据集上识别率较低的问题引入迁移学习的思想,其次是为了解决迁移后的模型识别率低、易产生过拟合现象,提出采用数据增广和Dropout正则化的方法,减小模型过拟合,提高模型的泛化力,有效提高识别精度。（3）基于迁移学习,选择基线模型,改进并优化模型,实现较高的识别准确率,并用于工程。先对比三种网络的迁移效果选取基线模型,后对选取的VGG16基线模型进行改进,包括引入批归一化（BN）算法,在卷积层加入柔性CBAM以提高特征提取效率,重新设计全连接层,旨在减少计算参量,提高训练速度,综合提升模型的识别判断精度和模型的鲁棒性及稳定性。最后从各个角度思考,设计了四大类对比实验,分析每类实验结果,从不同层级和角度验证改进模型的有效性,改进后的模型平均识别率达到95.6%。同时,通过改进大津法以实现玉米病斑更精准的分割,实现更精确的玉米病害等级的判断,实现硬件系统采集的图片预处理后输入到改进后的VGG16模型,识别玉米病害类别和病害等级。（4）搭建一体化的玉米病害识别及生长监测IOT系统。采用物联网三层架构模式,由传感器及摄像头、树莓派、无线传输模块、服务器,监控平台等组成,嵌入玉米病害子系统,将采集的玉米图像、环境参数（温湿度、光强等因子）,通过监控端可视化界面展现出来,判断玉米的生长环境状态和病害情况,实现对玉米监测和反馈的目的,达到系统的互联完整。