害蟲的精確識別是智慧農業(yè)不可或缺的一環(huán)，它對于確保作物的健康生長、提升產量與品質，以及保持生態(tài)平衡至關重要。記者從中國科學院合肥物質院智能所獲悉，近日，該所謝成軍與張潔團隊提出了一種基于因果推斷的農作物害蟲識別方法。相關研究成果發(fā)表在農林科學領域國際權威期刊Pest Management Science上。

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。

記者了解到，為了克服挑戰(zhàn)，研究團隊提出了一種創(chuàng)新的解耦特征學習框架，并利用中心三元損失來加強和優(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、增強深度學習在農業(yè)領域可靠性方面的重要作用。

合報科學+融媒體工作室

合肥通客戶端—合報全媒體記者 劉小容 實習生 郝樂田雨