近期，中國科學院合肥物質院智能所謝成軍與張潔團隊提出了一種基于因果推斷的農作物害蟲識別方法。相關研究成果發表在農林科學領域國際權威期刊Pest Management Science上。

害蟲的精確識別是智慧農業不可或缺的一環，它對于確保作物的健康生長、提升產量與品質，以及保持生態平衡至關重要。隨著計算機視覺技術的飛速進步，深度學習方法在害蟲識別領域已經展現出巨大的潛力和顯著的優勢。然而，現有識別技術面臨著一個核心難題：難以適應害蟲訓練集的分布偏差問題。由于圖像采集工作多在特定環境下進行，導致訓練數據集中存在大量背景相似的樣本，這可能使模型在訓練過程中過度依賴背景特征，而非害蟲的關鍵特征。當測試數據的分布與訓練數據不一致時，模型的識別準確性便可能大幅下降。

為了克服上述挑戰，研究團隊提出了一種創新的解耦特征學習（Decoupled Feature Learning, DFL）框架。DFL框架的設計理念是應用因果推斷技術，以解決訓練數據集的偏差問題。該框架首先通過不同的樣本采樣策略構建多樣化的訓練域，以減少模型對原始訓練數據集固有分布偏差的依賴，并降低無關特征的干擾。接著，利用中心三元損失（Center Triplet Loss）來加強和優化模型在不同域中捕捉類別核心特征的能力。通過在Li數據集、小樣本害蟲數據集（DFSPD）以及大規模害蟲數據集IP102上的廣泛測試，DFL框架顯著提升了現有基線分類模型的性能，在三個數據集上分別取得了95.33%，92.59%，和74.86%的最佳識別準確率。此外，可視化結果也證實了DFL框架能夠鼓勵模型學習到類別的核心特征，即使在測試數據分布發生偏移時也能保持穩定的優越性能，從而證明了其在緩解數據分布偏差問題、增強深度學習在農業領域可靠性方面的重要作用。

該項研究工作是中國科學院合肥物質院智能所與安徽省農科院經信所合作完成，所使用的害蟲圖像樣本由農科院經信所董偉副研究員提供和協助整理。

碩士生胡濤為論文第一作者，謝成軍、董偉為論文通訊作者，張潔、顏科宇等團隊成員為論文算法設計思路、部分實驗和論文撰寫做出了貢獻。該項工作得到了國家自然科學基金、安徽省自然科學基金、合肥物質院院長基金等科研項目的支持。

論文鏈接：https://doi.org/10.1002/ps.8314

圖1 DFL框架結構

圖2 Li dataset及DFSPD數據集實驗結果

圖3 DFSPD 數據集可視化結果對比