米作為國內(nèi)主糧，種植面積與規(guī)模都是天文數(shù)字。為確保國民口糧、端穩(wěn)飯碗，針對水稻生長各環(huán)節(jié)中可能出現(xiàn)的因素都進行科研、預防。

影響水稻產(chǎn)量的因素有很多，比如病蟲害，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、稻草螟、稻縱卷葉螟等蟲害，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、適時換田、多輪輪作等，此外需要盡早察覺病蟲害癥狀。

針對傳統(tǒng)人工識別病蟲害存在的效率過低、成本過高等問題，揚州大學信息工程學院(人工智能學院)組成了科研團隊，提出一種融合ECA注意力機制與DenseNet201的水稻圖像識別模型GE-DenseNet。

在ECA機制上引入Ghost模塊的思想構成G-ECA Layer結構，增強其提取特征的能力。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。由于實驗所用的數(shù)據(jù)集較小，將DenseNet201在ImageNet數(shù)據(jù)集上預訓練的權重參數(shù)遷移到GE-DenseNet中。訓練時，采用Focal Loss函數(shù)來解決各分類樣本不均衡的問題。同時，使用Adam優(yōu)化器以避免在模型訓練初期由于部分權重隨機初始化而導致反向傳播的梯度變化劇烈的問題，在一定程度上削弱了網(wǎng)絡訓練的不確定性。

在包含水稻胡麻斑病、水稻鐵甲蟲、稻瘟病與健康水稻的3355張圖像數(shù)據(jù)集上進行了實驗測試，識別準確率達到83.52%。由GE-DenseNet模型的消融對比實驗可得，引入了Focal Loss函數(shù)與G-ECA Layer層之后，模型準確率上升2.27%。將所提模型與經(jīng)典NasNet(4@1056)、VGG-16和ResNet50模型相比，分類準確率分別提高了6.53%、4.83%和3.69%;相較于原始的DenseNet201，對水稻鐵甲蟲的識別準確率提升達20.32%。

加入G-ECA Layer結構能夠使模型更為準確地捕捉適合于水稻病蟲害識別的特征信息，從而使GE-DenseNet模型能夠?qū)崿F(xiàn)對不同水稻病蟲害圖像更為準確地識別，為及時防治病蟲害，減少各類損失提供技術支持。

水稻生長過程中，可能會受到各種病蟲害的影響，從而導致產(chǎn)量下降。因此，加強病蟲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、化學方法和生物方法等多種方式進行病蟲害防治，以保證水稻生長的健康和穩(wěn)定。

審核編輯 黃宇