融合ECA机制与DenseNet201水稻病虫害识别方法

米作为国内主粮，种植面积与规模都是天文数字。为确保国民口粮、端稳饭碗，针对水稻生长各环节中可能出现的因素都进行科研、预防。

影响水稻产量的因素有很多，比如病虫害，有稻瘟病、稻纹枯病、白叶枯病、水稻纹枯病等病害，和稻飞虱、褐稻虫、稻草螟、稻纵卷叶螟等虫害，其中稻瘟病、稻飞虱的危害极大，直接影响水稻产量和品质。防治水稻病虫害的方法以防为主，治疗为辅。常规防治措施有选用抗病品种、合理施肥、适时换田、多轮轮作等，此外需要尽早察觉病虫害症状。

针对传统人工识别病虫害存在的效率过低、成本过高等问题，扬州大学信息工程学院(人工智能学院)组成了科研团队，提出一种融合ECA注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet。

在ECA机制上引入Ghost模块的思想构成G-ECA Layer结构，增强其提取特征的能力。其次，在DenseNet201原有的Dense Block前引入G-ECA Layer，使模型具有更优的通道特征提取能力。由于实验所用的数据集较小，将DenseNet201在ImageNet数据集上预训练的权重参数迁移到GE-DenseNet中。训练时，采用Focal Loss函数来解决各分类样本不均衡的问题。同时，使用Adam优化器以避免在模型训练初期由于部分权重随机初始化而导致反向传播的梯度变化剧烈的问题，在一定程度上削弱了网络训练的不确定性。

在包含水稻胡麻斑病、水稻铁甲虫、稻瘟病与健康水稻的3355张图像数据集上进行了实验测试，识别准确率达到83.52%。由GE-DenseNet模型的消融对比实验可得，引入了Focal Loss函数与G-ECA Layer层之后，模型准确率上升2.27%。将所提模型与经典NasNet(4@1056)、VGG-16和ResNet50模型相比，分类准确率分别提高了6.53%、4.83%和3.69%;相较于原始的DenseNet201，对水稻铁甲虫的识别准确率提升达20.32%。

加入G-ECA Layer结构能够使模型更为准确地捕捉适合于水稻病虫害识别的特征信息，从而使GE-DenseNet模型能够实现对不同水稻病虫害图像更为准确地识别，为及时防治病虫害，减少各类损失提供技术支持。

水稻生长过程中，可能会受到各种病虫害的影响，从而导致产量下降。因此，加强病虫害防治也是增加水稻粒重的重要手段之一。可以采用物理方法、化学方法和生物方法等多种方式进行病虫害防治，以保证水稻生长的健康和稳定。

审核编辑 黄宇