基于DeepLabV3+的农作物病害识别算法郝艳艳摘要：针对自然背景下农作物病害识别效果欠佳的问题，提出一种改进的DeepLabV3+算法来提升在自然背景下农作物病害的识别准确率。论文所做的贡献主要是在DeepLabV3+模型的编码器阶段输出特征图之前加入通道注意力机制，在解码器阶段的输入特征图之前加入空间注意力机制，之后按照卷积神经网络的拼接方法将二者进行拼接，以实现高级特征和低级特征的有效融合。实验结果显示，改进后的算法对实验数据的识别准确率和召回率均有一定成程度的提升，具有较高的实际应用价值。（河南工业贸易职业学院信息工程学院，河南郑州450000）关键词：DeepLabV3+；农作物病害；注意力机制中图分类号：TP391.41；TP183文献标识码：A文章编号：008-6609（2023）01-0050-03随着深度学习技术的发展，越来越多学者利用深度学习技术来处理农作物病害识别问题。深度学习技术尤其是卷积神经网络可以自动、高效地提取图像特征，且可以大大降低待训练参数的规模，从而有效节约计算资源。戴雨舒等人（2021年）以小麦赤霉病为研究对象，用数码相机采集20张接种了小麦赤霉病的麦田图像，通过对图像进行人工标注、图像分割等手段获得31482张图像，将其输入Deeplabv3+模型并进行调参和优化，并以MobileNetV2作为网络的编码模块，利用空洞卷积技术设计了小麦赤霉病识别及检测模型，模型对小麦测试集的赤霉病的平均识别准确率为96.92%。林建吾等人（2022年）的实验也证明了卷积神经网络在农作物病虫害识别问题上表现突出。农作物病虫害对农作物生产的品质和产量均造成了极大的影响，这直接影响农作物交易市场的交易价格和交易水平，阻碍农产品交易市场的经济发展。河南省作为粮食生产大省，以2022年上半年为例，粮食总种植面积达7600万亩以上，约占河南省总面积的27%。其中玉米、水稻、大豆等主产农作物面积超过7140万亩，占河南省粮食种植总面积的94%。在这样的种植面积基数下，针对河南省主产农作物的病害防治工作尤为重要。卷积神经网络的核心部分是卷积操作，卷积操作可以对原始输入特征图进行若干层的特征提取，再将其送入全连接网络，以减少送入全连接网络的特征数据量和模型的待训练参数的规模，从而减少模型过拟合。卷积操作通常用一个正方形的卷积核遍历原始输入特征图里的每一个像素点，每滑动一个步长，卷积核与输入特征图的部分区域重合，重合区域的对应元素相乘后求和，再加上偏置项，最终得到输出特征图的一个像素点。假设原始...
