网络首发|基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别
草地贪夜蛾入侵我国后，对我国的粮食生产安全产生了巨大威胁。人工智能技术作为辅助手段，可以为草贪的监测赋能，但深度学习技术在图像分类领域黑盒化的工作模式让识别模型的可解释性和可靠性都打上了一个问号。
作者们想到利用模型可视化技术对模型的训练结果进行评估，结果发现不同模型在测试集准确率相近的情况下，对草地贪夜蛾及其近缘种夜蛾的特征点学习率却有很大差异。通过可视化技术配合昆虫学专业人士的复核，筛选出了对草地贪夜蛾及其近缘种夜蛾特征点学习的最优模型，获得了良好的应用生产识别率。
基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别
魏 靖1，王玉亭1*，袁会珠2，张梦蕾1，王振营2*
（1. 深圳市识农智能科技有限公司，广东深圳 518063；2. 中国农业科学院 植物保护研究所，北京 100193）
摘要：草地贪夜蛾是对粮食安全具有巨大威胁的害虫，早发现、早防治对虫情控制具有重要意义。目前，利用深度学习方法进行草地贪夜蛾及其近缘种成虫识别的相关研究存在数据量严重偏小的情况，有可能造成模型未能真正学习到草地贪夜蛾及其近缘种成虫的环形纹、肾形纹等关键视觉特征。针对上述问题，本研究在建立包含草地贪夜蛾在内的7种夜蛾科成虫，10,177幅图像组成的数据库基础上，采用迁移学习方式建立了 VGG-16、ResNet-50和 DenseNet-121，3种夜蛾成虫识别深度学习模型，并用相同的测试集测试了所有模型。结果表明，构建的模型识别准确率均超过了98%。此外，本研究用特征可视化技术展现了模型习得的特征，并验证了这些特征和专家进行人工识别的关键视觉特征的一致性——ResNet-50和DenseNet-121的平均特征识别率在85%左右，进一步支持了用深度学习进行草地贪夜蛾成虫实时识别的可行性。研究发现，不同模型对夜蛾科成虫视觉特征的学习能力不一样，在评价模型时不能仅看识别率，还需要加入视觉特征识别率指标对模型的学习内容进行评价。本研究通过试验证明可视化分析可以直观认识模型的特征学习情况，可为行业内或其他领域的研究人员提供参考。
关键词：草地贪夜蛾；夜蛾；成虫识别；深度学习；视觉特征；特征可视化；迁移学习
引文格式：
魏靖,王玉亭,袁会珠,张梦蕾,王振营.基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别[J/OL].智慧农业(中英文):1-11[2020-09-27].http://kns.cnki.net/kcms/detail/10.1681.S.20200923.1841.010.html.
文章图表
图1 7种夜蛾科成虫的视觉特征标注图
Fig. 1 Visual characteristics annotation of 7 species of noctuid moths
（a）使用卷积神经网络进行图像识别和特征可视化的流程
（b）用于特征识别率统计的特征图片生成过程
图2 夜蛾科成虫识别和特征可视化流程
Fig. 2 Flowchart of the image identification and feature visualization of noctuid moths
表 1 模型样本量和采样方法表
Table 1 Information of sample size and sampling method
表2 7种夜蛾科成虫主要的视觉特征
Table 2 Key visual characteristics of 7 species of noctuid moths
表3 模型训练策略及超参数设置
Table 3 Model training strategy and hyper-parameters settings
表4 不同卷积神经网络模型训练实验结果
Table 4 Experimental results of different CNN models
表5 不同卷积神经网络模型对夜蛾科成虫关键特征识别率的比较
Table 5 The comparison of noctuid moths key feature recognition rate of different CNN models
通讯作者简介
王振营 研究员
王玉亭 博士