Las diversas enfermedades del maíz que afectan a la agricultura pasan desapercibidas para los agricultores. Cada día, más cultivos fallan debido a enfermedades, ya que no existe un tratamiento eficaz o una forma de identificar la enfermedad. El óxido común, el tizón y la mancha gris de la hoja norteña son las enfermedades de maíz más prevalentes. La presencia de una enfermedad no puede ser detectada con precisión simplemente mirando la planta. Esto llevará a un uso incorrecto de pesticidas, lo que perjudica a las personas al provocar enfermedades crónicas. Por lo tanto, mantener la seguridad alimentaria depende de una detección precisa y automática de enfermedades. Podría ser posible ahorrar tiempo y detener la degradación de los cultivos antes de que ocurra utilizando tecnologías digitales. Por lo tanto, aplicar tecnologías digitales modernas para identificar automáticamente la enfermedad en los campos de maíz dañados será más ventajoso para los agricultores. Muchos académicos se han interesado recientemente en el aprendizaje profundo, lo que ha ayudado a crear un esquema de clasificación de imágenes exacto y autónomo. El uso de técnicas de aprendizaje profundo y sus ajustes para detectar enfermedades del maíz puede ayudar enormemente a la agricultura contemporánea. Para encontrar enfermedades de las hojas de las plantas, empleamos procesos de adquisición de imágenes, preprocesamiento y clasificación. El preprocesamiento incluye procedimientos como leer imágenes, cambiar el tamaño de las imágenes y aumentar los datos. El proyecto propuesto se basa en EfficientNet y mejora la precisión de la base de datos de enfermedades de las hojas de maíz ajustando las variables. Se realizan pruebas utilizando DenseNet y Resnet en el conjunto de datos de prueba para confirmar la precisión y robustez de este enfoque. La precisión de reconocimiento del 98.85% que se puede lograr utilizando este método, según los resultados experimentales, es significativamente mayor que la de otras técnicas de vanguardia.