农业工程学报

作者：谭泗桥,陈颢元,朱月明,陈涵,朱幸辉,黄婉婉,

关键词：虫害, 深度学习, 图像识别, 残差网络, ECA, 焦点损失

基金：42

稻田害虫的精准分类识别是保障粮食安全的关键环节，但田间复杂环境下害虫样本分布极不均衡，给稻田害虫分类模型的构建带来巨大挑战，现有模型在关键特征的提取和类不平衡数据适应问题上存在局限性，为此该研究提出了一种基于双重特征动态优化的类别不平衡稻田害虫识别模型ResNet-EAF。该方法首先加入了高效通道注意力（efficient channel attention，ECA）模块，由ECA模块通过一维卷积实现局部通道交互保留关键特征。其次，为增强特征判别性与跨场景表征一致性，该研究引入通道级仿射自适应校准模块（channel-wise affine adaptation，CAA），该模块通过数据驱动的方式自适应学习最优特征变换参数，借助仿射变换动态调控特征分布，有效降低模型对特定害虫数据分布的依赖，进而提升模型在不同数据分布场景下的泛化能力。最后采用焦点损失（focal loss，FL）动态平衡策略，融合逆频率加权与调制系数，抑制样本占优类别的特征权重，强化模型对少数类害虫的关注，缓解类别不平衡问题。试验结果显示，ResNet-EAF模型的准确率达98.06%、宏平均召回率为93.93%、宏平均F1为93.80%，较基准模型分别提高3.63、6.96和5.67个百分点。其中，少数类别如，螟蛾类与灯蛾类的召回率较基准模型分别提高13.16和4.55个百分点。在相同试验条件下，该研究将ResNet-EAF与11种主流深度学习模型进行对比，结果表明该模型在自建数据集上的准确率、宏平均召回率及宏平均F1三项核心指标均位列第一。为验证模型在田间环境中的抗干扰能力与鲁棒性，该研究在公开JUTE PEST数据集上展开评估，结果显示ResNet-EAF模型准确率达98.35%，其宏平均召回率及少数类甜菜夜蛾的召回率在12个对比模型中均表现最优。该研究提出的方法可为样本分布不均衡场景下的农业害虫监测识别提供技术参考与支撑，不仅验证了模型在复杂田间环境中的实用性，也证实FL与ECA-CAA的协同作用可提升模型分类精度。/

来源：2026年第5期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第5期