融合ECA机制与DenseNet201的水稻病虫害识别方法.pdfVIP

2023年6月第5卷第2期智慧农业（中英文）SmartAgricultureJun.2023Vol.5,No.2

融合ECA机制与DenseNet201的水稻病虫害

识别方法

*

潘晨露，张正华，桂文豪，马家俊，严晨曦，张晓敏

（扬州大学信息工程学院（人工智能学院），江苏扬州225127）

摘要：［［目的目的/意义意义］］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，提出一种融合ECA（Effi⁃

cientChannelAttention）注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet（G-ECADenseNet）。［［方法方法］］

首先在ECA机制上引入Ghost模块的思想构成G-ECALayer结构，增强其提取特征的能力。其次，在DenseNet201

原有的DenseBlock前引入G-ECALayer，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FocalLoss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。［［结果和讨论结果和讨论］］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FocalLoss函数与G-ECALayer层之后，模型准确率上升2.27%。将所提模型与

经典NasNet（41056）、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%。［［结论结论］］加入G-ECALayer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。

关键词：DensetNet201；ECA注意力机制；病虫害识别；迁移学习；卷积神经网络；Ghost模块

中图分类号：S126文献标志码：A文章编号：SA202305002

引用格式：潘晨露,张正华,桂文豪,马家俊,严晨曦,张晓敏.融合ECA机制与DenseNet201的水稻病虫害识别方

法[J].智慧农业(中英文),2023,5(2):45-55.DOI：10.12133/j.smartag.SA202305002

PANChenlu,ZHANGZhenghua,GUIWenhao,MAJiajun,YANChenxi,ZHANGXiaomin.Ricediseaseandpestrecog‐

nitionmethodintegratingECAmechanismandDenseNet201[J].SmartAgriculture,2023,5(2):45-55.DOI：10.12133/j.

smartag.SA202305002(inChinesewithEnglishabstract)

1引言进行处理也都需要经验丰富的农业工作者或研究人

员对图像进行人工标注，数据集制作过程难