基于深度学习利用公民科学数据实时识别昆虫
计算机视觉与模式识别
2023-06-06 v1
摘要
虫害显著影响全球农业生产力和质量。有效管理需要识别完整的昆虫群落，包括益虫和害虫，以制定和实施综合害虫管理策略。在真实条件下自动识别昆虫面临若干挑战，包括区分外观相似的物种、种内差异与种间相似、多个生命周期阶段、伪装、多样的成像条件以及昆虫朝向的可变性。我们提出了一种深度学习模型 InsectNet 来应对这些挑战。InsectNet 具备五个关键特征：(a) 利用通过公民科学收集的大型昆虫图像数据集；(b) 面向大型模型的免标签自监督学习；(c) 提高小样本量物种的预测精度；(d) 增强模型可信度；(e) 通过精简的 MLOps 实现访问民主化。该方法可准确识别（准确率 >96%）超过 2500 种昆虫，包括传粉者（如蝴蝶、蜜蜂）、寄生者（如某些黄蜂和苍蝇）、捕食性物种（如瓢虫、螳螂、蜻蜓）和有害害虫物种（如行军虫、切根虫、蝗虫、椿象）。InsectNet 能识别入侵物种，提供细粒度昆虫物种识别，并在复杂背景下有效工作。它还能在不确定时放弃预测，便于无缝的人为干预，使其成为实用且可信的工具。InsectNet 可指导公民科学数据收集，特别是对于早期检测至关重要的入侵物种。类似方法可能改变其他农业挑战（如病害检测），并凸显数据收集的重要性，尤其是通过公民科学努力。
引用
@article{arxiv.2306.02507,
title = {Deep learning powered real-time identification of insects using citizen science data},
author = {Shivani Chiranjeevi and Mojdeh Sadaati and Zi K Deng and Jayanth Koushik and Talukder Z Jubery and Daren Mueller and Matthew E O Neal and Nirav Merchant and Aarti Singh and Asheesh K Singh and Soumik Sarkar and Arti Singh and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:2306.02507},
year = {2023}
}