Por Zhang Jie, Zhao Weiwei, Academia China de Ciencias
Un equipo de investigadores dirigido por el profesor Xie Chengjun y el profesor asociado Zhang Jie en los Institutos de Ciencias Físicas de Hefei de la Academia de Ciencias de China, ha desarrollado un innovador marco de aprendizaje de características desacopladas (DFL) inspirado en la inferencia causal para abordar el desafío del sesgo de distribución en el reconocimiento de plagas de cultivos.
Los resultados de la investigación fueron publicados en Pest Management Science .
El reconocimiento preciso de plagas es crucial para la agricultura inteligente, ya que garantiza la salud, el rendimiento y la calidad de los cultivos, al tiempo que mantiene el equilibrio ecológico . A pesar de los avances en el aprendizaje profundo para el reconocimiento de plagas, las técnicas existentes tienen problemas con el sesgo de distribución en los conjuntos de datos de entrenamiento, lo que a menudo conduce a una dependencia excesiva de las características de fondo en lugar de las características clave de las plagas.
Para abordar este desafío, el equipo propuso un marco innovador llamado aprendizaje de características desacopladas (DFL, por sus siglas en inglés). DFL aplicó técnicas de inferencia causal para mitigar el sesgo de los datos de entrenamiento mediante la construcción de diversos dominios de entrenamiento y empleó la pérdida de tripletes centrales para mejorar la capacidad del modelo de capturar características centrales de las plagas en diferentes dominios.
Los investigadores probaron el nuevo método, DFL, en tres conjuntos de datos diferentes: el conjunto de datos Li , el conjunto de datos de plagas de pocos disparos de Dong (DFSPD) y el conjunto de datos IP102 a gran escala.
Estos conjuntos de datos eran colecciones de imágenes utilizadas para entrenar y evaluar la precisión de los modelos de reconocimiento de plagas. Los resultados mostraron que DFL mejoró significativamente el rendimiento, logrando altas precisiones de reconocimiento de 95,33 %, 92,59 % y 74,86 % en estos conjuntos de datos, respectivamente.
Las visualizaciones de los resultados confirmaron que DFL ayudó a los modelos a centrarse en las características clave de las plagas, lo que les permitió mantener una alta precisión incluso cuando cambiaba la distribución de los datos de prueba.
«Esta investigación representa un avance significativo a la hora de abordar el sesgo de distribución de datos y mejorar la confiabilidad del aprendizaje profundo en aplicaciones agrícolas», afirmó el profesor Xie Chengjun.
Más información: Tao Hu et al., Reconocimiento de plagas en cultivos inspirado en la causalidad basado en el aprendizaje de características desacopladas, Pest Management Science (2024). DOI: 10.1002/ps.8314
