La infección de las semillas de arroz con la explosión de arroz llevará directamente a la reducción del rendimiento de arroz o incluso al fracaso del cultivo en el próximo año. Por lo tanto, es muy importante identificar con precisión las semillas de arroz infectadas. En este estudio, se utilizaron técnicas de aprendizaje profundo e imágenes hiperespectrales con ese propósito. Primero, se recopilaron datos de imágenes hiperespectrales. Luego, se utilizó el modelo UeAMNet (red mixta basada en extracción no supervisada de atención) diseñado en este estudio para analizar estos datos y los resultados se compararon con los modelos 2DCNN, 3DCNN, A2DCNN, A3DCNN, Ue2DCNN, Ue3DCNN, UeA2DCNN, UeA3DCNN, MNet, AMNet y UeMNet utilizando diferentes tamaños de conjunto de entrenamiento (Tr). Los resultados mostraron que el nuevo modelo UeAMNet era superior a los modelos de comparación al usar diferentes tamaños de Tr, y la precisión podría alcanzar el 100%. Especialmente, cuando Tr era solo 0.05, la precisión de este modelo aún alcanzaba el 96.85%. Esto demostró que el método propuesto podría identificar con éxito las semillas de arroz infectadas. Por lo tanto, este estudio proporciona un enfoque para la gestión del germoplasma de arroz y también para el desarrollo de métodos de identificación de enfermedades de cultivos en otras partes del mundo.