关注我们，为您推送更多最新资讯。
文章导读
害虫防治中有一个常见问题，即由于害虫种类繁多而使农民无法准确区分。盲目使用农药无法达到准确杀灭害虫的目的，反而经常使植物因农药的高毒性死亡。近年来，深度学习技术已被应用于农业领域来解决害虫防治问题。基于深度学习的害虫自动识别智能算法可以代替农业专家和农民进行农作物害虫的识别。
本研究提出了一种边缘距离-熵的数据评价方法，这种方法可以获取有效数据，从而找到最接近决策边界的样本。本文对提出的方法进行了验证，同时还提出了异常特征检测策略，该策略可以有效减少异常数据引起的特征偏差。
研究方法概述
害虫图像数据集
本研究收集了一个名为CP-10的作物害虫数据集，该数据集包括在农业地区常见的10种不同类别的农作物害虫。作者在每个类别中收集了不到1000张图像，并对收集到的数据进行重新过滤，每种类型保留600张图像用于研究。图1显示了数据集中一些害虫图像示例。
图1. CP-10种类示例。
研究方法框架
本研究将完整序列集DT分为有标记集Dl={(xi,yi)}M1j=1和无标记集Du={(xj,yj)}M2j=1，其中xi∈X表示输入图像，yi∈{1，…，N}表示相关的类标签，并且这两部分是不断更新的。图2展示了本次研究方法的完整框架。
图2. 研究框架。
边缘距离-熵策略
模型的错误预测主要是由于无法准确地判断两个类之间模棱两可的数据。如果在训练集中加入更有效的边界数据，将会给模型带来更大效益。为找到有效的边界样本，作者提出了一种边缘距离-熵的数据评价方法。图3展示了边缘距离-熵策略。
图3. 边缘距离-熵策略。
异常特征检测策略
为了抵抗异常特征点的干扰，本研究提出了异常特征检测策略，致力于寻找远离特征集群的异常特征点。
结果分析与讨论
各种不同设置的综合实验验证了本文提出的方法对害虫数据集的效果。实验由多个参数组成，包括初始标记的列车集、周期数、每个周期增加M=500 (10%) 的新数据量，以及深度神经网络结构。
图4为在M=500、1000、2000三种设置下不同方法的实验结果。图中的实线表示使用三种不同的初始标记列车集进行实验所得结果的平均值。阴影区域表示从三次实验中得到的结果范围。从图中可以看出，作者提出的边缘距离-熵方法在三种不同的M设置条件下都取得了最好的结果。
图4. 不同方法所得结果的比较。(a) 设定为M=500的结果；(b) 设定M=1000的结果；(c) 设定M=2000的结果。
在特征空间中寻找到距离各类相对均匀的特征点，这个点也是相对于各类中心的离群点，在本研究中称之为异常特征点。作者在剔除这些异常特征点，计算剩余特征点对应的数据，并将这种策略称为异常特征检测策略 (Anomaly Feature Detection Strategy, AFDS)，并利用AFDS进行相关的对比实验。在CP-10中加入噪声，以模拟含有噪声数据集的情况。结合AFDS并采用边缘距离-熵法，选取M=500的条件进行实验。同时，作者还设置了不使用AFDS的对照组进行比较。实验结果如图5所示。
图5. 有/无AFDS边缘距离熵方法的性能分析
总结与展望
针对智能农业对数据的依赖问题，本文提出了一种基于边缘距离-熵的数据评估方法。研究结果表明，高效数据可以大大减少数据的输入，有助于智能农业的可持续发展。此外，还探讨了参数M对实验方法的影响，发现M值对结果有不利影响。对于含有噪声的数据，作者提出了异常特征检测策略，以缓解噪声数据对所提出方法的不利影响，并且实验结果证明了该方法的有效性。
本文提出的方法仍存在一些不足，需要进一步研究并加以完善。例如，本文仅对害虫数据集进行了相关实验，除了害虫数据之外，在农业领域中还有很多其他类别的数据也需要进行识别。未来的研究将拓展到这些领域，并将所提出的方法与更多农业领域的实际任务相结合，从多个方面推动智慧农业的可持续发展。
原文出自 Sustainability 期刊
Yang, J.; Ma, S.; Li, Y.; Zhang, Z. Efficient Data-Driven Crop Pest Identification based on Edge Distance-Entropy for Sustainable Agriculture. 2022, , 7825.
https://doi.org/10.3390/su14137825
期刊介绍
主编：Marc A. Rosen, University of ontario Institute of Technology, Canada
期刊涉及环境、经济、社会、工程科学等领域的可持续研究。
2021 Impact Factor：3.889
2021 CiteScore：5.0
Time to First Decision：16.7 Days
Time to Publication：41 Days
