Plant Phenomics | 用于穩健昆蟲分類的越界檢測算法

植物在生長過程中會遇到各種有益和有害的昆蟲。對這些昆蟲物種進行準確的識別（即檢測昆蟲的存在）和分類（即確定昆蟲的類型或類別）對于實施及時和合適的防治策略至關重要。雖然基于深度學習的方法已經產生了具有良好昆蟲分類準確性的模型，但面臨著當輸入圖像與訓練分布顯著偏離時的挑戰（例如，類似于車輛、人類或模糊圖像，或者是尚未訓練的昆蟲類別）。越界檢測算法為克服這些挑戰提供了一條有效途徑，因為它們確保模型在屬于非昆蟲和/或未訓練昆蟲類別的圖像上不會做出錯誤的分類預測。然而，尚未對越界(OOD)檢測算法在解決農業問題中的作用進行深入探討。
 

2024年4月，Plant Phenomics 在線發表了愛荷華州立大學完成的題為Out-of-distribution detection algorithms for robust insect classification的研究論文。該研究將OOD檢測的概念納入害蟲分類(如圖1所示)，并評估了三種先進的越界檢測算法（MSP, MAH and EBM）在昆蟲檢測分類器上的性能，具體流程如圖2所示。同時，通過使用三種不同類型的網絡架構（ResNet50, RegNetY32 and VGG11）來提高模型的準確性和效率。研究結果表明: EBM優于其他兩種OOD檢測算法(MAH和MSP)，結果如圖3所示。與其他兩個網絡模型架構(ResNet50和VGG11)相比，RegNetY32架構在昆蟲檢測方面表現出更優越的性能。研究表明將EBM與RegNetY32分類器相結合，可以得到一個優秀的昆蟲分類器。
 

圖1昆蟲分類中的非分布可視化。OOD分類器嘗試為每個昆蟲定義決策邊界，同時確保沒有非昆蟲圖像屬于任何已知的昆蟲類別。人們可以根據它們與分布(ID)圖像的相似性將它們區分為上下文近OOD(例如，葉子圖像)和上下文遠OOD(例如，汽車圖像)。
 

圖2 分析過程:框1表示數據。框2顯示了三種昆蟲分類器架構和使用的三種OOD算法。框3說明了工作流程。
 

圖3三種OOD算法(MSP、MAH、EBM)的AUROC隨三種架構(ResNet50、RegNetY32、VGG11)昆蟲分類器精度增量的變化趨勢。

本研究主要價值是，提出了一種越界檢測方法使分類器能夠有效進行昆蟲的識別和分類。這種越界檢測方法在各種農業重要的分類任務中具有潛在應用，包括勘察和識別生物（疾病）和非生物脅迫（營養缺乏），同時也有助于農業決策過程。

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0170

——推薦閱讀——

From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild

‍https://doi.org/10.34133/plantphenomics.0038

Plant Phenomics | 從實驗室到田間：野外植物病害識別的無監督域適應

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：孫浩（南京農業大學）
編輯：趙慶澤（南京農業大學）
審核：孔敏、王平