科學(xué)島團隊提出了一種基于因果推斷的農(nóng)作物害蟲識別方法

　　近期，中國科學(xué)院合肥物質(zhì)院智能所謝成軍與張潔團隊提出了一種基于因果推斷的農(nóng)作物害蟲識別方法。相關(guān)研究成果發(fā)表在農(nóng)林科學(xué)領(lǐng)域國際權(quán)威期刊Pest Management Science上。
 

　　害蟲的精確識別是智慧農(nóng)業(yè)不可或缺的一環(huán)，它對于確保作物的健康生長、提升產(chǎn)量與品質(zhì)，以及保持生態(tài)平衡至關(guān)重要。隨著計算機視覺技術(shù)的飛速進步，深度學(xué)習(xí)方法在害蟲識別領(lǐng)域已經(jīng)展現(xiàn)出巨大的潛力和顯著的優(yōu)勢。然而，現(xiàn)有識別技術(shù)面臨著一個核心難題：難以適應(yīng)害蟲訓(xùn)練集的分布偏差問題。由于圖像采集工作多在特定環(huán)境下進行，導(dǎo)致訓(xùn)練數(shù)據(jù)集中存在大量背景相似的樣本，這可能使模型在訓(xùn)練過程中過度依賴背景特征，而非害蟲的關(guān)鍵特征。當(dāng)測試數(shù)據(jù)的分布與訓(xùn)練數(shù)據(jù)不一致時，模型的識別準確性便可能大幅下降。
 

　　為了克服上述挑戰(zhàn)，研究團隊提出了一種創(chuàng)新的解耦特征學(xué)習(xí)(Decoupled Feature Learning, DFL)框架。DFL框架的設(shè)計理念是應(yīng)用因果推斷技術(shù)，以解決訓(xùn)練數(shù)據(jù)集的偏差問題。該框架首先通過不同的樣本采樣策略構(gòu)建多樣化的訓(xùn)練域，以減少模型對原始訓(xùn)練數(shù)據(jù)集固有分布偏差的依賴，并降低無關(guān)特征的干擾。接著，利用中心三元損失(Center Triplet Loss)來加強和優(yōu)化模型在不同域中捕捉類別核心特征的能力。通過在Li數(shù)據(jù)集、小樣本害蟲數(shù)據(jù)集(DFSPD)以及大規(guī)模害蟲數(shù)據(jù)集IP102上的廣泛測試，DFL框架顯著提升了現(xiàn)有基線分類模型的性能，在三個數(shù)據(jù)集上分別取得了95.33%，92.59%，和74.86%的最佳識別準確率。此外，可視化結(jié)果也證實了DFL框架能夠鼓勵模型學(xué)習(xí)到類別的核心特征，即使在測試數(shù)據(jù)分布發(fā)生偏移時也能保持穩(wěn)定的優(yōu)越性能，從而證明了其在緩解數(shù)據(jù)分布偏差問題、增強深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域可靠性方面的重要作用。
 

　　該項研究工作是中國科學(xué)院合肥物質(zhì)院智能所與安徽省農(nóng)科院經(jīng)信所合作完成，所使用的害蟲圖像樣本由農(nóng)科院經(jīng)信所董偉副研究員提供和協(xié)助整理。
 

　　碩士生胡濤為論文第一作者，謝成軍、董偉為論文通訊作者，張潔、顏科宇等團隊成員為論文算法設(shè)計思路、部分實驗和論文撰寫做出了貢獻。該項工作得到了國家自然科學(xué)基金、安徽省自然科學(xué)基金、合肥物質(zhì)院院長基金等科研項目的支持。
 

圖1 DFL框架結(jié)構(gòu)
 

圖2 Li dataset及DFSPD數(shù)據(jù)集實驗結(jié)果
 

圖3 DFSPD 數(shù)據(jù)集可視化結(jié)果對比