PestCLIP:基于视觉语言模型的增量虫害识别框架
Tao Hu1,2, Xueheng Li1,2, Ke Cao1,2
1Science Island Branch of Graduate School, University of Science and Technology of China, Hefei, China.
Pest management science
|February 20, 2026
概括
PestCLIP通过使用对比的语言图像预训练 (CLIP) 来提高农业害虫识别,以克服班级增量学习中的灾难性遗忘. 这种人工智能框架改善了适应性害虫管理系统的动态环境.
科学领域:
- 农业科学 农业科学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 有效的农业害虫管理对于粮食安全和生态系统健康至关重要.
- 目前的深度学习模型在增量学习方面扎,导致灾难性地忘记了新的害虫物种.
- 需要适应性AI框架,以在动态的农业环境中持续和可靠地识别害虫.
研究的目的:
- 开发一个人工智能框架,用于增加害虫识别,解决灾难性遗忘问题.
- 将先进的人工智能与生态要求相结合,以实现可靠的虫害识别.
- 提高智能害虫防治系统的适应性和可靠性.
主要方法:
- 拟议的PestCLIP框架使用对比性语言图像预训练 (CLIP).
- 采用双提示调整和概念池策略,以保留类特征而无需大量数据重复.
- 集成的预测分布校准通过增量逻辑调整来减轻偏差.
主要成果:
- 在李的数据集上,PestCLIP实现了97.50%的准确性,在学习新课程时,性能下降了最低5.55%.
- 在农业 (Li's,AgriInsect200,农场昆虫) 和一般 (mini-ImageNet) 数据集中表现出优越的阶级增量学习表现.
- 视觉化证实了对特定类概念的有效保护,并减少了预测偏差.
结论:
- 在增量害虫识别任务中,PestCLIP显著优于现有方法.
- 该框架有效地保留类概念,并校准预测分布,提高可靠性.
- PestCLIP代表了农业适应性和智能害虫管理的重大进步.


