Повышение эффективности алгоритмов машинного обучения для обнаружения отдельных вредителей и полезных насекомых с помощью методов отбора признаков

В сельском хозяйстве фермеры часто сталкиваются с проблемой ущерба, наносимого насекомыми-вредителями. Для защиты урожая от этих вредителей используются инсектициды, однако чрезмерное применение синтетических химикатов может приводить к негативным последствиям, таким как воздействие на нецелевые организмы и загрязнение окружающей среды. Одним из решений данной проблемы является выборочное применение инсектицидов только к тем участкам, где действительно находятся вредители, что позволяет минимизировать ущерб для полезных насекомых и экосистемы в целом.

Проблема идентификации насекомых

Первым шагом на пути к выборочному применению инсектицидов является точная идентификация насекомых на растениях, включая различение вредителей и полезных насекомых. Однако обнаружение мелких насекомых в естественных условиях полевых культур с помощью методов машинного обучения на основе изображений представляет собой сложную задачу.

Предложенный метод

В данной статье предлагается метод, основанный на объяснимом искусственном интеллекте и машинном обучении, для обнаружения вредителей и полезных насекомых на полевых культурах. Для этого был создан набор данных, отражающий реальные полевые условия, включающий:

- Вредители:
- Колорадский жук (CPB, Leptinotarsa decemlineata): Специализированный вредитель, обнаруживаемый только на картофеле (Solanum tuberosum).
- Зелёная персиковая тля (Myzus persicae): Вредитель, найденный на картофеле, бобовых (Vicia faba) и сахарной свекле (Beta vulgaris subsp. vulgaris).

- Полезные насекомые:
- Семипятнистая божья коровка (Coccinella septempunctata): Полезный вид, который также встречается на указанных культурах.

Такое разнообразие в наборе данных расширяет возможности применения разработанного метода для различения вредителей и полезных насекомых на различных сельскохозяйственных культурах.

Процесс обработки изображений

Изображения насекомых были получены как в лабораторных условиях, так и на открытом воздухе. Для выделения интересующих областей на изображениях использовался алгоритм GrabCut, который позволяет сегментировать объекты на изображении. После сегментации были извлечены характеристики, такие как форма, текстура и цвет насекомых.

В исследовании была принята концепция объяснимого искусственного интеллекта, которая включает:

- Ранжирование важности признаков: Использование перестановки признаков для определения их значимости.
- Значения аддитивных объяснений Шепли: Это позволяет выявить набор признаков, который оптимизирует производительность модели при снижении вычислительной сложности.

Предложенный метод выбора признаков был сравнен с традиционными методами, включая:

- Взаимную информацию
- Коэффициент хи-квадрат
- Коэффициент максимальной информации
- Критерий разделения Фишера
- Пороговое значение дисперсии

Результаты показали значительное повышение точности и уменьшение количества параметров модели:

- Точность моделей:
- Случайный лес: 92,62%
- Метод опорных векторов: 90,16%
- Метод k-ближайших соседей: 83,61%
- Наивный байесовский метод: 81,97%

- Количество параметров модели:
- Случайный лес: 7,22 × 10^7
- Метод опорных векторов: 6,23 × 10^3
- Метод k-ближайших соседей: 3,64 × 10^4
- Наивный байесовский метод: 1,88 × 10^2

Эффективность и преимущества

Время прогнозирования и обучения моделей сократилось примерно вдвое по сравнению с традиционными методами отбора признаков. Это демонстрирует, что использование простых алгоритмов машинного обучения в сочетании с эффективной методологией выбора признаков может обеспечить надежную производительность, сопоставимую с более сложными методами.

Предложенный метод автоматического обнаружения и дифференциации вредителей и полезных насекомых представляет собой надежный подход, который может способствовать разработке альтернативных методов борьбы с вредителями. Это позволит минимизировать использование синтетических инсектицидов и уменьшить вред для окружающей среды. Использование объяснимого искусственного интеллекта и эффективного выбора признаков делает этот подход особенно ценным для реальных приложений в условиях ограниченных ресурсов.

Исследование: Artificial Intelligence in Agriculture