基于迁移学习的卷积神经网络(CNN)在核桃果实害虫精准分类中的应用与性能评估

本研究针对核桃果实害虫形态相似且传统人工检测效率低下的问题，由来自查谟和克什米尔汉德瓦拉地区的研究团队开展基于迁移学习的害虫智能分类研究。通过采用InceptionV3、MobileNetV2等CNN模型，在自建包含17类害虫的数据集上实现97.98%的准确率，为开发实时虫害监测移动应用提供技术支撑，对推进可持续农业发展具有重要意义。

　　

昆虫侵染显著阻碍核桃果实的生长与产量。由于早期害虫形态相似且依赖人工目检——这种方法耗时费力、主观性强且易出错，农民难以实现准确分类。干预延迟会导致种群快速增殖，增加防治成本，加剧经济风险，促进与植物病原体的协同作用，并可能导致产量损失，这些因素共同加剧农民的经济负担。

为解决核桃果实害虫识别的复杂挑战，本研究提出采用高效的卷积神经网络(Convolutional Neural Network, CNN)模型，利用来自查谟和克什米尔库普瓦拉地区汉德瓦拉及周边实验田与农田采集的新型核桃害虫数据集进行物种分类。该数据集包含17个昆虫类别，代表不同物种。通过自动与手动结合的方式进行预处理，包括背景消除以及翻转、缩放、平移、尺度变换和旋转等数据增强操作。

研究适配并微调了InceptionV3、MobileNetV2、VGG16和ResNet50模型用于核桃害虫分类，引入全局平均池化(Global Average Pooling)和丢弃层(Dropout)以减少过拟合。采用精确率(Precision)、召回率(Recall)、F1分数(F1-score)、受试者操作特征(ROC)曲线和混淆矩阵进行严格性能评估。在四种模型中，针对核桃害虫分类定制的InceptionV3模型表现最佳，达到97.98%的准确率，精确率、召回率和F1分数均达97%。实验结果表明，该技术能有效识别破坏性核桃害虫，凸显其通过智能手机图像实时检测昆虫的移动应用潜力，可改善害虫管理并推动可持续农业实践。