本研究探究視覺幾何組 16（VGG16）、亞歷克斯網絡（AlexNet）和自定義卷積神經網絡（CNN）等深度學習模型對馬鈴薯葉片圖像進行早疫病、晚疫病和健康葉片分類的應用。數據集包含 3293 張圖像，整合了印度古吉拉特邦阿南德農業大學（AAU）本地采集的圖像和植物村（PV）資源庫的圖像。研究測試了批量大小為 32 和 64、訓練輪次為 30 和 60 等多種配置。結果表明，自定義 CNN 表現最佳，準確率達 98.8%，最小損失為 0.055，超越了 VGG16 和 AlexNet。值得注意的是，自定義 CNN 僅需 128,387 個可訓練參數，遠少于 VGG16（1.38 億）和 AlexNet（5800 萬），凸顯了其高效性。這種高效性體現了自定義 CNN 優化的架構，使其能夠以較低的計算需求實現高分類性能。