1.一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，其特征在于，包括以下步骤：S1)、输入RGB三通道的农作物病虫害图片，对其进行预处理；

S2)、将步骤S1)预处理后图片经过卷积层进行特征提取，随后利用小尺度3×3的最大池化层做进一步的特征抽象，即：式中，xout表示输出特征图，xin表示输入特征图，Relu(BN(Conv1×1(xin)))表示对输入特征图经过1×1的卷积核提取特征，然后经过BN层批标准化，随后使用Relu函数激活，Maxpool3×3(xin)表示对输入特征图经过3×3的最大池化层，GlobalMaxpool(xin)表示输入特征图经过自适应特征图尺寸的全局最大池化层；

S3)、向前传播过程使用Inception思想结合残差连接的结构，增加神经网络的宽度和深度，减少映射区间，保留原图细节，即：式中，h(xin)表示对输入特征图乘上相应属于0～1范围内的权值；

S4)、将卷积层得到的特征图F作为注意力I_CBAM的输入，分别经过channel attention和spatial attention得到相应的权值MC(F)和MS(F)；

其中，MC(F)代表通道注意力，MS(F)代表空间注意力；

S5)、利用步骤S4)得到的两个权值MC(F)和MS(F)，直接与原始输入特征图F加权得到输出特征图F1，即：S6)、利用步骤S5)得到的输出特征图F1与原始输入特征图F进行残差连接，得到结果特征图F2；

S7)、利用全连接层进行产生输出后用softmax函数产生最终的预测概率，P值代表的经过softmax函数分类后模型对于分类yi的判断概率，即：式中，yi代表具体的第i个类别，n表示类别的总数。

2.根据权利要求1所述的一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，其特征在于：步骤S1)中，对所述的RGB三通道的农作物病虫害图片进行预处理具体包括如下步骤：S101)、对农作物病虫害图片随机采用双线性插值法、最近邻居法、双三次插值法和面积插值法4种方法对图片进行处理，并将其缩放为224×224操作。

3.根据权利要求2所述的一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，其特征在于：步骤S1)中，对所述的RGB三通道的农作物病虫害图片进行预处理还包括：S102)、将步骤S101)处理后的图片随机进行水平和垂直翻转，从而达到数据增强的目的。

4.根据权利要求1所述的一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，其特征在于：步骤S4)中，所述的MC(F)的计算具体如下：S401)、先由经过空间维度全局平均池化和全局最大池化压缩特征图F，然后经过多层感知机得到最终权值，即：式中，式中，σ代表sigmoid函数，MLP(AvgPool(F))代表对输入特征图经过平均池化压缩成一维然后经过多层感知机产生的更多非线性特征，MLP(MaxPool(F))表示对输入特征图经过最大池化压缩成一维然后经过多层感知机产生的更多非线性特征，W1表示具体到第

2层全连接上的权重，W0表示具体到第1层全连接层上的权重， 表示通道注意力中被平均池化压缩后的一维向量， 表示通道注意力中被最大池化压缩后的一维向量。

5.根据权利要求1所述的一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，其特征在于：步骤S4)中，所述的MS(F)的计算具体如下：S402)、先由经过通道维度的全局平均池化和全局最大池化压缩特征图，然后经过7×7卷积核的提取得到最终权值，即：式中，σ代表sigmoid函数，f表示卷积操作，AvgPool(F)代表对输入特征图进行通道维度上的平均池化，MaxPool(F)表示对输入特征图进行通道维度上的最大池化， 表示特征图被空间注意力经过平均池化压缩成深度为1的特征图， 表示表示特征图被空间注意力经过最大池化压缩成深度为1的特征图。

6.根据权利要求1所述的一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，其特征在于：步骤S6)中，所述的结果特征图F2的计算具体如下：S601)、由特征图直接输入，通过h函数得到相应的残差h(xin)；

S602)、步骤S5)得到的输出特征图F1与残差h(xin)相加，得到输出特征图F2。