Plant Phenomics | 用于穩(wěn)健昆蟲(chóng)分類(lèi)的越界檢測(cè)算法

植物在生長(zhǎng)過(guò)程中會(huì)遇到各種有益和有害的昆蟲(chóng)。對(duì)這些昆蟲(chóng)物種進(jìn)行準(zhǔn)確的識(shí)別（即檢測(cè)昆蟲(chóng)的存在）和分類(lèi)（即確定昆蟲(chóng)的類(lèi)型或類(lèi)別）對(duì)于實(shí)施及時(shí)和合適的防治策略至關(guān)重要。雖然基于深度學(xué)習(xí)的方法已經(jīng)產(chǎn)生了具有良好昆蟲(chóng)分類(lèi)準(zhǔn)確性的模型，但面臨著當(dāng)輸入圖像與訓(xùn)練分布顯著偏離時(shí)的挑戰(zhàn)（例如，類(lèi)似于車(chē)輛、人類(lèi)或模糊圖像，或者是尚未訓(xùn)練的昆蟲(chóng)類(lèi)別）。越界檢測(cè)算法為克服這些挑戰(zhàn)提供了一條有效途徑，因?yàn)樗鼈兇_保模型在屬于非昆蟲(chóng)和/或未訓(xùn)練昆蟲(chóng)類(lèi)別的圖像上不會(huì)做出錯(cuò)誤的分類(lèi)預(yù)測(cè)。然而，尚未對(duì)越界(OOD)檢測(cè)算法在解決農(nóng)業(yè)問(wèn)題中的作用進(jìn)行深入探討。
 

2024年4月，Plant Phenomics 在線(xiàn)發(fā)表了愛(ài)荷華州立大學(xué)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(cè)的概念納入害蟲(chóng)分類(lèi)(如圖1所示)，并評(píng)估了三種先進(jìn)的越界檢測(cè)算法（MSP, MAH and EBM）在昆蟲(chóng)檢測(cè)分類(lèi)器上的性能，具體流程如圖2所示。同時(shí)，通過(guò)使用三種不同類(lèi)型的網(wǎng)絡(luò)架構(gòu)（ResNet50, RegNetY32 and VGG11）來(lái)提高模型的準(zhǔn)確性和效率。研究結(jié)果表明: EBM優(yōu)于其他兩種OOD檢測(cè)算法(MAH和MSP)，結(jié)果如圖3所示。與其他兩個(gè)網(wǎng)絡(luò)模型架構(gòu)(ResNet50和VGG11)相比，RegNetY32架構(gòu)在昆蟲(chóng)檢測(cè)方面表現(xiàn)出更優(yōu)越的性能。研究表明將EBM與RegNetY32分類(lèi)器相結(jié)合，可以得到一個(gè)優(yōu)秀的昆蟲(chóng)分類(lèi)器。
 

圖1昆蟲(chóng)分類(lèi)中的非分布可視化。OOD分類(lèi)器嘗試為每個(gè)昆蟲(chóng)定義決策邊界，同時(shí)確保沒(méi)有非昆蟲(chóng)圖像屬于任何已知的昆蟲(chóng)類(lèi)別。人們可以根據(jù)它們與分布(ID)圖像的相似性將它們區(qū)分為上下文近OOD(例如，葉子圖像)和上下文遠(yuǎn)OOD(例如，汽車(chē)圖像)。
 

圖2 分析過(guò)程:框1表示數(shù)據(jù)�？�2顯示了三種昆蟲(chóng)分類(lèi)器架構(gòu)和使用的三種OOD算法�？�3說(shuō)明了工作流程。
 

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

本研究主要價(jià)值是，提出了一種越界檢測(cè)方法使分類(lèi)器能夠有效進(jìn)行昆蟲(chóng)的識(shí)別和分類(lèi)。這種越界檢測(cè)方法在各種農(nóng)業(yè)重要的分類(lèi)任務(wù)中具有潛在應(yīng)用，包括勘察和識(shí)別生物（疾�。┖头巧�物脅迫（營(yíng)養(yǎng)缺乏），同時(shí)也有助于農(nóng)業(yè)決策過(guò)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(shí)驗(yàn)室到田間：野外植物病害識(shí)別的無(wú)監(jiān)督域適應(yīng)

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專(zhuān)刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線(xiàn)發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類(lèi)一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：孫浩（南京農(nóng)業(yè)大學(xué)）
編輯：趙慶澤（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平