作物的生产过程中伴随着杂草的生长,影响了农作物的产量、品质和经济效益。在作物的幼苗阶段,杂草与作物在形态、颜色等方面相似度高,为机器的自动识别和除草工作带来困难。在除草的准备工作中,具体的识别出作物和杂草的类别是农药喷洒方案制定的指南。本文针对该问题,提出了一种结合注意力机制的作物幼苗与杂草分类识别的方法,有效的解决了作物幼苗与杂草的识别问题,为后期的精准除草工作作参考。具体工作如下:(1)开展了作物幼苗与杂草的图像分类方法的研究通过对图像分类的一些主流算法的分析,如:KNN、SVM、BPNN、CNN等,针对本文杂草与作物幼苗数据集的特点,对数据集进行预处理,并采用这些算法对本文的12种作物或杂草数据集进行训练,将训练的结果进行对比和分析,从平均分类准确率的角度得出最适合本文数据集的方法为CNN中的ResNet-50模型,其分类准确率达到91.89%。(2)结合了注意力机制和跨层双线性池化算法对CNN模型改进针对ResNet-50模型的特点和不足,对ResNet-50模型进行相应的改进,在模型中加入弱监督下的细粒度分类算法跨层双线性池化使特征相互增强,从而使网络具备更强的表达能力。在新的网络中引入注意力机制并对数据集进行训练,得出分类准确率的结果在ResNet-50模型的基础上提高了将近4个百分点,达到了 95.62%。在新的网络中得出所属每类作物或杂草的准确率。本文针对生长初期杂草与作物的特点,采用不同的图像分类方法对本文的杂草与作物幼苗数据集进行训练,从训练结果的对比分析中得出最适合本文数据集的分类方法和模型,然后在模型中引入注意力机制和细粒度分类提取出图像中更多的特征,并将ResNet50+注意力机制+跨层双线性池化的组合模型进行实际效果预测,最终实现了 12种杂草与作物幼苗的数据集中各自所属类别的准确率。对农业中的精准除草工作具有一定的指导意义。