玉米是重要的粮食作物和饲料作物,也是全世界总产量最高的农作物,其种植面积仅次于水稻和小麦,但比水稻和小麦等粮食作物更耐旱、耐寒和耐贫瘠,具有极好的环境适应性。进入21世纪以来,人口数量不断增长,因此提高农产品质量、增加产量成为关键。但玉米病害严重制约了玉米的生产,因此做好玉米病害的防治,降低病害对玉米产量造成的损失已经成为当前的重要任务之一。近年来,深度学习发展迅速,相比依赖人为设计特征提取的传统图像识别算法,深度学习方法可以自动提取特征,并具有良好的扩展性,在农业领域具有广阔的应用前景。本文基于注意力和残差思想构建深度卷积神经网络,进行玉米叶部病害的识别研究。主要包含以下工作:(1)利用数据扩增技术丰富图像数量,提升识别效果。(2)依据注意力思想构建通道注意力模块和空间注意力模块。通道注意力模块通过区分不同特征通道的重要度,实现对各个特征通道的约束增强。空间注意力模块通过提取特征的空间位置信息,在空间位置上对特征进行约束增强。进而增强了网络对重要特征的关注,抑制了网络对非重要特征的关注。经实验对比后,最终构建的网络模型的参数量为28.08M,平均识别率为96.34%。(3)结合残差思想,构建具有注意力思想和残差思想的DARNet模型。借助残差思想可避免注意力模块造成的特征值消减,避免网络的退化问题,等等。以分别患有大斑病、小斑病、锈病、灰斑病、南方锈病的玉米叶部图像和玉米叶部健康的图像为研究对象,相比于 VGG16、Resnet50、ShuffleNet、SqueezeNet 和 SeNet 模型,DARNet 模型的平均识别率高出1.16%～9.38%,对各类病害的识别率高出0.22%～18.92%。(4)将每类病害进一步划分为初期与晚期,以研究DARNet模型对病害初晚期的识别效果。DARNet模型给出的预测结果包括病害的类别和初晚期,其预测结果中病害初期和病害晚期的精确率平均为84.42%和90.58%;若仅考虑病害类别的准确性,则当预测结果中的病害类别不为大斑病时,其精确率大于95%(大斑病为91.69%)。(5)使用Flask开发了 Web应用,具有注册、登录、识别等功能,实现了多平台下的玉米叶部病害识别。若使用Tesla P4,则平均识别每张图像的时间为79ms。使用Docker封装了相关代码、环境等,以降低部署难度。