植物在生长过程中会遇到各种有益和有害的昆虫。对这些昆虫物种进行准确的识别（即检测昆虫的存在）和分类（即确定昆虫的类型或类别）对于实施及时和合适的防治策略至关重要。虽然基于深度学习的方法已经产生了具有良好昆虫分类准确性的模型，但面临着当输入图像与训练分布显著偏离时的挑战（例如，类似于车辆、人类或模糊图像，或者是尚未训练的昆虫类别）。越界检测算法为克服这些挑战提供了一条有效途径，因为它们确保模型在属于非昆虫和/或未训练昆虫类别的图像上不会做出错误的分类预测。然而，尚未对越界(OOD)检测算法在解决农业问题中的作用进行深入探讨。

2024年4月，Plant Phenomics 在线发表了爱荷华州立大学完成的题为Out-of-distribution detection algorithms for robust insect classification的研究论文。该研究将OOD检测的概念纳入害虫分类(如图1所示)，并评估了三种先进的越界检测算法（MSP, MAH and EBM）在昆虫检测分类器上的性能，具体流程如图2所示。同时，通过使用三种不同类型的网络架构（ResNet50, RegNetY32 and VGG11）来提高模型的准确性和效率。研究结果表明: EBM优于其他两种OOD检测算法(MAH和MSP)，结果如图3所示。与其他两个网络模型架构(ResNet50和VGG11)相比，RegNetY32架构在昆虫检测方面表现出更优越的性能。研究表明将EBM与RegNetY32分类器相结合，可以得到一个优秀的昆虫分类器。

图1昆虫分类中的非分布可视化。OOD分类器尝试为每个昆虫定义决策边界，同时确保没有非昆虫图像属于任何已知的昆虫类别。人们可以根据它们与分布(ID)图像的相似性将它们区分为上下文近OOD(例如，叶子图像)和上下文远OOD(例如，汽车图像)。

图2 分析过程:框1表示数据。框2显示了三种昆虫分类器架构和使用的三种OOD算法。框3说明了工作流程。

图3三种OOD算法(MSP、MAH、EBM)的AUROC随三种架构(ResNet50、RegNetY32、VGG11)昆虫分类器精度增量的变化趋势。

本研究主要价值是，提出了一种越界检测方法使分类器能够有效进行昆虫的识别和分类。这种越界检测方法在各种农业重要的分类任务中具有潜在应用，包括勘察和识别生物（疾病）和非生物胁迫（营养缺乏），同时也有助于农业决策过程。

论文链接：

‍https://doi.org/10.34133/plantphenomics.0170

——推荐阅读——

From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild

‍https://doi.org/10.34133/plantphenomics.0038

Plant Phenomics | 从实验室到田间：野外植物病害识别的无监督域适应