基于自注意力卷积神经网络的作物叶片病害识别

网络加注意力理由：
分析：作物叶病的识别是作物病害诊断和控制的技术基础，保证了农产品的安全。快速准确地识别农作物叶片疾病是农业由待解决的问题。作物叶片病害的图像具有背景复杂，病斑面积小，病斑与背景对比度差等挑战，容易造成两者之间的混淆。另外，在实际环境中捕获的图像具有各种噪声和环境因素，例如不同的分辨率，角度，照明度等。

根据叶片图像特征的选择方法不同，将农作物病害的图像识别方法分为两类：基于手工的表示方法和基于深度的表示方法。目前，基于手工表示的方法已经取得了良好的识别效果。但是，它们具有一些局限性：（1）大量的图像预处理繁琐且耗时。（2）手工标记的有限特征提取容易造成图像语义鸿沟的问题。这些局限性直接导致作物病害鉴定应用缺乏准确性和速度。现如今，通常采用深度卷积神经网络，该神经网络可以提取图像的全局特征和上下文信息。然而，当前基于深层表征的研究主要集中在具有简单背景的作物病害识别上。在面对实际应用时，由于不能从复杂的背景中有效地提取斑点区域的局部特征，因此大大降低了识别精度。识别结果难以满足应用需求。

基于以上理由提出一个自注意力卷积神经网络识别作物叶片病害模型。

改进的注意力模块：

实际特征通道等于输入特征通道乘以比例系数ratio,设计不同系数取最优。网络其实也要注意一下注意力加载的位置和个数。