融合ECA 机制与DenseNet201 的水稻病虫害识别方法

分类： 农、林、牧、渔 >> 农业基础学科 提交时间： 2023-08-14 合作期刊: 《智慧农业（中英文）》

潘晨露 张正华 桂文豪 马家俊 严晨曦 张晓敏

摘要： ［目的/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⁃ cient Channel Attention）注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet（G-ECA DenseNet）。［方法］ 首先在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。［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%。［结论］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。

 点击量 802  下载量 158  评论