科學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，中國科學院合肥物質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。相關研究成果發(fā)表在農(nóng)林科學領域國際權威期刊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，以及保持生態(tài)平衡至關重要。隨著計算機視覺技術的飛速進步，深度學習方法在害蟲識別領域已經(jīng)展現(xiàn)出巨大的潛力和顯著的優(yōu)勢。然而，現(xiàn)有識別技術面臨著一個核心難題：難以適應害蟲訓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，導致訓練數(shù)據(jù)集中存在大量背景相似的樣本，這可能使模型在訓練過程中過度依賴背景特征，而非害蟲的關鍵特征。當測試數(shù)據(jù)的分布與訓練數(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)新的解耦特征學習(Decoupled Feature Learning, DFL)框架。DFL框架的設計理念是應用因果推斷技術，以解決訓練數(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建多樣化的訓練域，以減少模型對原始訓練數(shù)據(jù)集固有分布偏差的依賴，并降低無關特征的干擾。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，可視化結果也證實了DFL框架能夠鼓勵模型學習到類別的核心特征，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、增強深度學習在農(nóng)業(yè)領域可靠性方面的重要作用。
 

　　該項研究工作是中國科學院合肥物質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基金、安徽省自然科學基金、合肥物質院院長基金等科研項目的支持。
 

圖1 DFL框架結構
 

圖2 Li dataset及DFSPD數(shù)據(jù)集實驗結果
 

圖3 DFSPD 數(shù)據(jù)集可視化結果對比