基于多种卷积神经网络模型的高效害虫分类

准确的害虫识别对于保护作物或对受感染产量进行早期处理具有重要意义，有助于减少农业经济损失。由于人工识别缓慢、耗时且昂贵，设计自动害虫识别系统十分必要。基于传统计算机视觉方法的图像害虫分类器因复杂性而效率低下。由于害虫种类多、尺度与形状各异、田间背景复杂以及物种间外观高度相似，害虫分类是一项困难任务。随着深度学习技术的快速发展，基于 CNN 的方法是开发快速准确害虫分类器的最佳途径。我们在本工作中提出了不同的基于卷积神经网络的模型，包括注意力、特征金字塔和细粒度模型。我们在两个公开数据集上评估了我们的方法：大规模害虫数据集 IP102 基准数据集，以及较小的 D0 数据集，指标为宏平均精确率（MPre）、宏平均召回率（MRec）、宏平均 F1 分数（MF1）、准确率（Acc）和几何均值（GM）。实验结果表明，结合这些基于卷积神经网络的模型在这两个数据集上的表现优于 SOTA 方法。例如，我们在 IP102 和 D0 上获得的最高准确率分别为 $74.13\%$ 和 $99.78\%$，超过了相应的 SOTA 准确率：IP102 为 $67.1\%$，D0 为 $98.8\%$。我们还公开了代码以贡献于当前与害虫分类问题相关的研究。