Ein Forscherteam unter der Leitung von Professor Xie Chengjun und Associate Professor Zhang Jie an den Hefei Institutes of Physical Science der Chinesischen Akademie der Wissenschaften hat ein innovatives, auf kausaler Inferenz basierendes Framework für Decoupled Feature Learning (DFL) entwickelt, um die Herausforderung der Verteilungsverzerrung bei der Erkennung von Schädlingen bei Nutzpflanzen zu bewältigen.
Die Forschungsergebnisse waren veröffentlicht In Schädlingsbekämpfungswissenschaft.
Eine genaue Schädlingserkennung ist für eine intelligente Landwirtschaft von entscheidender Bedeutung, da sie die Gesundheit, den Ertrag und die Qualität der Nutzpflanzen sichert und gleichzeitig das ökologische Gleichgewicht aufrechterhält. Trotz Fortschritten im Bereich Deep Learning zur Schädlingserkennung haben bestehende Techniken mit Verteilungsverzerrungen in Trainingsdatensätzen zu kämpfen, was häufig dazu führt, dass man sich zu sehr auf Hintergrundmerkmale verlässt, anstatt auf die Hauptmerkmale des Schädlings.
Um diese Herausforderung zu bewältigen, schlug das Team ein innovatives Framework namens Decoupled Feature Learning (DFL) vor. DFL wendete kausale Inferenztechniken an, um die Verzerrung der Trainingsdaten durch die Konstruktion unterschiedlicher Trainingsdomänen zu verringern, und verwendete den Center Triplet Loss, um die Fähigkeit des Modells zu verbessern, Kernmerkmale von Schädlingen in verschiedenen Domänen zu erfassen.
Die Forscher testeten die neue Methode DFL an drei verschiedenen Datensätzen: dem Li-Datensatz, Dongs Few-Shot Pest Dataset (DFSPD) und dem groß angelegten IP102-Datensatz.
Diese Datensätze waren Bildsammlungen, die zum Trainieren und Bewerten der Genauigkeit von Schädlingserkennungsmodellen verwendet wurden. Die Ergebnisse zeigten, dass DFL die Leistung deutlich verbesserte und bei diesen Datensätzen hohe Erkennungsgenauigkeiten von 95,33 %, 92,59 % bzw. 74,86 % erreichte.
Die Visualisierung der Ergebnisse bestätigte, dass DFL den Modellen dabei half, sich auf die Hauptmerkmale der Schädlinge zu konzentrieren, sodass sie auch dann eine hohe Genauigkeit beibehalten konnten, wenn sich die Verteilung der Testdaten änderte.
„Diese Forschung stellt einen bedeutenden Fortschritt bei der Behandlung von Datenverteilungsverzerrungen und der Verbesserung der Zuverlässigkeit von Deep Learning in landwirtschaftlichen Anwendungen dar“, sagte Prof. Xie Chengjun.
Mehr Informationen:
Tao Hu et al., Kausalitätsinspirierte Erkennung von Nutzpflanzenschädlingen auf Basis von entkoppeltem Merkmalslernen, Schädlingsbekämpfungswissenschaft (2024). DOI: 10.1002/ps.8314