整合特征选择和可解释的CNN用于识别和分类害虫和有益昆虫
Nibedita Deb1, Tawfikur Rahman2, Md Moniruzzaman3
1Department of Biotechnology Engineering, Bioenvironmental Engineering Research Center (BERC), International Islamic University Malaysia, 50728, Kuala Lumpur, Malaysia.
Scientific reports
|December 27, 2025
概括
本研究介绍了一种可解释的AI框架,用于昆虫分类,增强可持续农业. 混合方法实现了高精度,同时提高了对害虫监测的模型解释性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 准确的昆虫识别对于可持续的作物保护至关重要,但目前的视觉模型缺乏透明度.
- 高维特征和黑盒性质限制了现有的昆虫分类模型的实际应用.
研究的目的:
- 利用人工智能开发一种可解释的杂交昆虫分类框架,以改进害虫识别.
- 提高农业环境中基于视觉模型的可解释性和稳定性.
主要方法:
- 一个混合框架,将卷积神经网络 (CNN) 功能提取与双重可解释AI (XAI) 功能选择 (SHAP和PFI) 结合起来.
- 平行应用SHAP和变特征重要性 (PFI) 来排名和选择具有生物意义的特征.
- 使用轻量级模型和混合组合在四种昆虫类别的精心策划的数据集上进行分类.
主要成果:
- 在平衡的数据集上,获得了96.7%的整体准确性,精度,回忆和F1分数超过96%.
- 经证实稳定的性能 (≥90%准确度) 与减少的功能集 (前11个混合选择的功能).
- 该框架在各种照明和背景条件下都表现出强大.
结论:
- 整合SHAP和PFI提高了昆虫分类模型的稳定性和可解释性.
- 拟议的可解释框架支持自动化害虫监测和精准农业的实际部署.
- 这种方法为可持续的作物保护提供了透明和有效的解决方案.
