融合ECA機(jī)制與DenseNet201水稻病蟲(chóng)害識(shí)別方法

米作為國(guó)內(nèi)主糧，種植面積與規(guī)模都是天文數(shù)字。為確保國(guó)民口糧、端穩(wěn)飯碗，針對(duì)水稻生長(zhǎng)各環(huán)節(jié)中可能出現(xiàn)的因素都進(jìn)行科研、預(yù)防。

影響水稻產(chǎn)量的因素有很多，比如病蟲(chóng)害，有稻瘟病、稻紋枯病、白葉枯病、水稻紋枯病等病害，和稻飛虱、褐稻蟲(chóng)、稻草螟、稻縱卷葉螟等蟲(chóng)害，其中稻瘟病、稻飛虱的危害極大，直接影響水稻產(chǎn)量和品質(zhì)。防治水稻病蟲(chóng)害的方法以防為主，治療為輔。常規(guī)防治措施有選用抗病品種、合理施肥、適時(shí)換田、多輪輪作等，此外需要盡早察覺(jué)病蟲(chóng)害癥狀。

針對(duì)傳統(tǒng)人工識(shí)別病蟲(chóng)害存在的效率過(guò)低、成本過(guò)高等問(wèn)題，揚(yáng)州大學(xué)信息工程學(xué)院(人工智能學(xué)院)組成了科研團(tuán)隊(duì)，提出一種融合ECA注意力機(jī)制與DenseNet201的水稻圖像識(shí)別模型GE-DenseNet。

在ECA機(jī)制上引入Ghost模塊的思想構(gòu)成G-ECA Layer結(jié)構(gòu)，增強(qiáng)其提取特征的能力。其次，在DenseNet201原有的Dense Block前引入G-ECA Layer，使模型具有更優(yōu)的通道特征提取能力。由于實(shí)驗(yàn)所用的數(shù)據(jù)集較小，將DenseNet201在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的權(quán)重參數(shù)遷移到GE-DenseNet中。訓(xùn)練時(shí)，采用Focal Loss函數(shù)來(lái)解決各分類(lèi)樣本不均衡的問(wèn)題。同時(shí)，使用Adam優(yōu)化器以避免在模型訓(xùn)練初期由于部分權(quán)重隨機(jī)初始化而導(dǎo)致反向傳播的梯度變化劇烈的問(wèn)題，在一定程度上削弱了網(wǎng)絡(luò)訓(xùn)練的不確定性。

在包含水稻胡麻斑病、水稻鐵甲蟲(chóng)、稻瘟病與健康水稻的3355張圖像數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)測(cè)試，識(shí)別準(zhǔn)確率達(dá)到83.52%。由GE-DenseNet模型的消融對(duì)比實(shí)驗(yàn)可得，引入了Focal Loss函數(shù)與G-ECA Layer層之后，模型準(zhǔn)確率上升2.27%。將所提模型與經(jīng)典NasNet(4@1056)、VGG-16和ResNet50模型相比，分類(lèi)準(zhǔn)確率分別提高了6.53%、4.83%和3.69%;相較于原始的DenseNet201，對(duì)水稻鐵甲蟲(chóng)的識(shí)別準(zhǔn)確率提升達(dá)20.32%。

加入G-ECA Layer結(jié)構(gòu)能夠使模型更為準(zhǔn)確地捕捉適合于水稻病蟲(chóng)害識(shí)別的特征信息，從而使GE-DenseNet模型能夠?qū)崿F(xiàn)對(duì)不同水稻病蟲(chóng)害圖像更為準(zhǔn)確地識(shí)別，為及時(shí)防治病蟲(chóng)害，減少各類(lèi)損失提供技術(shù)支持。

水稻生長(zhǎng)過(guò)程中，可能會(huì)受到各種病蟲(chóng)害的影響，從而導(dǎo)致產(chǎn)量下降。因此，加強(qiáng)病蟲(chóng)害防治也是增加水稻粒重的重要手段之一?？梢圆捎梦锢矸椒ā⒒瘜W(xué)方法和生物方法等多種方式進(jìn)行病蟲(chóng)害防治，以保證水稻生長(zhǎng)的健康和穩(wěn)定。

審核編輯 黃宇