编辑推荐：
为解决传统农药喷洒危害环境、人工检测害虫耗时费力等问题，研究人员开展了利用特征选择技术改进机器学习算法检测害虫和益虫的研究。结果显示该方法提升了检测准确率，降低计算复杂度。其对发展环保害虫防治方法意义重大。
在农业生产的大舞台上，害虫一直是让农民们头疼不已的 “捣蛋鬼”。像科罗拉多马铃薯甲虫（CPB）和桃蚜等害虫，每年都会给农作物带来巨大损失。据估算，在全球每年因植物病害造成的 2200 亿美元经济损失中，至少 31.8% 是由害虫导致的 。为了对付这些害虫，农民们常常大量使用杀虫剂，但这种 “地毯式” 的喷洒方式，不仅让大量化学药剂浪费，还会误伤无辜的非目标生物，严重破坏生态环境。而且，人工去田间寻找害虫既耗费人力又浪费时间。
面对这些困境，来自国外研究机构的研究人员决心找到更好的解决办法。他们开展了一项旨在利用特征选择技术改进机器学习算法，以检测害虫和益虫的研究。最终，他们取得了令人瞩目的成果，该研究成果发表在《Artificial Intelligence in Agriculture》上。这一研究为精准农业提供了新的思路和方法，对推动农业可持续发展意义重大。
研究人员在研究中运用了多种关键技术方法。首先，通过收集实验室和田间的昆虫 - 植物图像构建数据集，涵盖多种昆虫和作物。接着利用 GrabCut 算法进行图像分割，提取昆虫感兴趣区域（ROI）。然后从分割区域提取形状、纹理、颜色和 HOG 等特征，并运用多种特征选择技术筛选特征。最后，使用支持向量机（SVM）、随机森林（RF）、K 近邻（KNN）和朴素贝叶斯（NB）等机器学习算法进行训练和分类。
研究结果如下：
- 昆虫分割与感兴趣区域识别：GrabCut 算法在分割 CPB 和七星瓢虫图像时表现出色，但在处理蚜虫图像时因蚜虫与背景相似存在问题，经最大稳定极值区域后处理，提升了分割精度。不过，检测单个蚜虫仍有挑战，但可通过分析其整体分布来估计种群数量和识别受侵染叶片。
- 可解释性与特征重要性排序：通过排列特征重要性（PFI）和 Shapley 可加解释（SHAP）值评估特征贡献。发现不同特征对模型性能影响各异，如 hog_1757、compactness 等特征影响较大，而 energy、rectangularity 等影响较小。
- 评估特征选择技术和分类器的性能：RF 模型在所有特征选择技术下表现良好；不同特征选择技术对不同分类器效果不同，如本文提出的方法、MI 和 Fisher 分离准则对 RF 效果好，本文方法、MI 和方差阈值化对 SVM 效果好。且特征选择能提升分类器性能，减少模型参数和训练时间。
- 与传统特征选择技术比较：本文提出的 XAI 方法在提升性能同时，减少了模型参数，缩短了训练时间，预测时间与其他优秀方法相当。RF 虽精度高但参数多，NB 参数少且训练和预测快，SVM 训练时间长。
- 敏感性分析：进行敏感性分析发现，随着特征增加，各特征选择技术的模型准确率先升后波动。XAI 方法选择前 11 个特征时准确率达 90%，表现更稳定，HOG 特征对其提升准确率作用较大。
- 与现有工作比较：与现有研究相比，本文的 RF 和 SVM 模型在部分方面表现优异。虽在某些数据集上准确率略低，但计算速度更快，且能定位昆虫位置。同时，该方法硬件需求低，适合实际农业应用。
研究结论和讨论部分指出，本研究评估了特征选择对机器学习算法检测昆虫性能的影响。XAI 方法能有效识别最优特征集，提升了 SVM 和 RF 等算法的准确率，降低计算复杂度，减少训练和预测时间，对 KNN 和 NB 算法也有类似效果。这一方法适用于低成本硬件和边缘计算设备，可与农业机械集成，用于害虫监测和精准去除，减少对非目标物种的生态影响。然而，研究也存在局限，如受照明变化影响，对蚜虫检测仍有挑战。未来可探索将特征选择与深度学习结合，或利用人工照明和合成数据提升小昆虫检测精度。总之，该研究为害虫检测技术发展做出了重要贡献，为农业可持续发展提供了有力支持。
