Explainable deep learning framework for real-time insect pest detection in smart agriculture
J. Briskilal · M. K. Vidhyalakshmi · Aswathy K Cherian 等 6 人
提出可解释深度学习框架CPSA-RIPD-CSTGCN，实现智慧农业中害虫实时检测。
用CSTGCN时空图卷积、ROA超参优化、ETSKF预处理与Grad-CAM，在
10类害虫检测准确率97%，优于VGG16、EfficientNetB0及多种任务专用模型。
可探索轻量化模型在边缘设备部署，并融合多模态田间数据提升跨域泛化能力。
提出可解释时空图卷积虫害实时检测框架，在IP102基准上达97%准确率并优于多种主流模型，方法新颖、数据扎实，对智慧农业植保具有参考价值。
摘要 由于害虫侵扰导致的全球作物产量损失估计每年约为20–40%，这是对农业生产力、农民生计和粮食安全的最大威胁之一。当前的人工田间巡查劳动强度大、主观性强且难以规模化，而许多自动化巡查方法在面对不同田间条件时表现不佳，且对决策制定提供的洞见有限。为应对这些挑战，本研究提出了智慧农业中的作物保护——基于持续时空图卷积网络的实时害虫检测（CPSA-RIPD-CSTGCN），这是一个统一且可解释的深度学习框架，融合了四个协同组件：（i）集成变换施密特-卡尔曼滤波器（ETSKF），用于图像预处理，包括调整尺寸、归一化和噪声抑制；（ii）使用旋转、翻转、缩放、剪切和对比度调整进行数据增强，以增强泛化能力并减少过拟合；（iii）持续时空图卷积网络（CSTGCN），联合建模作物区域间的空间依赖性和害虫动态的时间演化，以实现鲁棒的特征提取和分类；（iv）革命优化算法（ROA），用于CSTGCN权重的超参数优化，以自适应调整网络。此外，引入梯度加权类激活映射（Grad-CAM）可视化以提供事后可解释性，因为它显示了与生物过程相关的区域以及受害虫影响的区域。该框架在IP102基准数据集上进行了测试，采用60%-40%的训练-测试划分，涵盖10个具有经济重要性的害虫类别，在5折交叉验证中达到了97%的准确率、98%的精确率、98%的召回率和98%的F1分数，准确率均值±0.32%。在其他基线模型中，这些结果持续优于VGG16（82%）、InceptionV3（85%）、MobileNetV2（87%）、DenseNet121（88%）、EfficientNetB0（89%）以及特定任务模型，如EDCP-DIA-RNN（基于图像分析的早期病害和作物害虫诊断/检测RNN）（94%）、EPCY-TPA-ANN（通过参数分析人工神经网络高效预测作物产量）（91%）和ICPM-ESA-CNN（交互式作物和害虫管理增强土壤分析CNN）（90%）。消融研究的结果显示了集成变换施密特-卡尔曼滤波器预处理和革命优化算法各模块的单独效果。