害蟲(chóng)的精確識(shí)別是智慧農(nóng)業(yè)不可或缺的一環(huán)，它對(duì)于確保作物的健康生長(zhǎng)、提升產(chǎn)量與品質(zhì)，以及保持生態(tài)平衡至關(guān)重要。記者從中國(guó)科學(xué)院合肥物質(zhì)院智能所獲悉，近日，該所謝成軍與張潔團(tuán)隊(duì)提出了一種基于因果推斷的農(nóng)作物害蟲(chóng)識(shí)別方法。相關(guān)研究成果發(fā)表在農(nóng)林科學(xué)領(lǐng)域國(guó)際權(quán)威期刊Pest Management Science上。

隨著計(jì)算機(jī)視覺(jué)技術(shù)的飛速進(jìn)步，深度學(xué)習(xí)方法在害蟲(chóng)識(shí)別領(lǐng)域已經(jīng)展現(xiàn)出巨大的潛力和顯著的優(yōu)勢(shì)。然而，現(xiàn)有識(shí)別技術(shù)面臨著一個(gè)核心難題：難以適應(yīng)害蟲(chóng)訓(xùn)練集的分布偏差問(wèn)題。

由于圖像采集工作多在特定環(huán)境下進(jìn)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(guò)程中過(guò)度依賴背景特征，而非害蟲(chóng)的關(guān)鍵特征。當(dāng)測(cè)試數(shù)據(jù)的分布與訓(xùn)練數(shù)據(jù)不一致時(shí)，模型的識(shí)別準(zhǔn)確性便可能大幅下降。

記者了解到，為了克服挑戰(zhàn)，研究團(tuán)隊(duì)提出了一種創(chuàng)新的解耦特征學(xué)習(xí)框架，并利用中心三元損失來(lái)加強(qiáng)和優(yōu)化模型在不同域中捕捉類(lèi)別核心特征的能力。通過(guò)在Li數(shù)據(jù)集、小樣本害蟲(chóng)數(shù)據(jù)集以及大規(guī)模害蟲(chóng)數(shù)據(jù)集IP102上的廣泛測(cè)試，DFL框架顯著提升了現(xiàn)有基線分類(lèi)模型的性能，在三個(gè)數(shù)據(jù)集上分別取得了95.33%，92.59%，和74.86%的最佳識(shí)別準(zhǔn)確率。

此外，可視化結(jié)果也證實(shí)了即使在測(cè)試數(shù)據(jù)分布發(fā)生偏移時(shí)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(wèn)題、增強(qiáng)深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域可靠性方面的重要作用。

合報(bào)科學(xué)+融媒體工作室

合肥通客戶端—合報(bào)全媒體記者 劉小容 實(shí)習(xí)生 郝樂(lè)田雨