-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
Paft-wpest：基于生成式自监督学习的枸杞害虫细粒度分类方法
《Plant Methods》：Paft-wpest: wolfberry pests fine-grained classification method based on generative self-supervised learning
【字体： 大 中 小 】 时间：2026年02月19日 来源：Plant Methods 4.4
编辑推荐：
摘要精细的害虫识别是智能害虫监测和精准控制的关键组成部分，对于确保农业生产安全至关重要。本文提出了一种基于生成式自监督学习的害虫识别模型，称为PAFT-WPest，旨在解决精细害虫识别中的挑战，包括类间差异小、类内变化大、背景干扰复杂以及标注数据有限等问题。该模型采用部分卷积空间
精细的害虫识别是智能害虫监测和精准控制的关键组成部分，对于确保农业生产安全至关重要。本文提出了一种基于生成式自监督学习的害虫识别模型，称为PAFT-WPest，旨在解决精细害虫识别中的挑战，包括类间差异小、类内变化大、背景干扰复杂以及标注数据有限等问题。该模型采用部分卷积空间注意力机制来聚焦害虫区域，同时抑制冗余的背景信息。通过引入通道语义选择和频域建模，增强了模型感知细微细节差异的能力。此外，模型还捕捉害虫身体不同部分之间的依赖关系，以改进全局结构和语义信息的建模。另外，构建了两个能够区分害虫生长阶段和损害位置的细粒度枸杞害虫数据集，并采用了持续预训练策略来提升模型在不同场景下的适应性。实验结果表明，PAFT-WPest在公共害虫数据集IP102、Butterfly-200、WPIT9K、Rice Pest和Jute Pest上的准确率分别为76.83%、91.53%、98.70%、79.27%和97.34%；在自建的枸杞害虫数据集WP45和WP11上的准确率分别为97.82%和94.69%。这些结果表明，所提出的模型能够在复杂背景下提高精细害虫识别的性能，为农业害虫监测和分类提供了一种可行的方法。
精细的害虫识别是智能害虫监测和精准控制的关键组成部分，对于确保农业生产安全至关重要。本文提出了一种基于生成式自监督学习的害虫识别模型，称为PAFT-WPest，旨在解决精细害虫识别中的挑战，包括类间差异小、类内变化大、背景干扰复杂以及标注数据有限等问题。该模型采用部分卷积空间注意力机制来聚焦害虫区域，同时抑制冗余的背景信息。通过引入通道语义选择和频域建模，增强了模型感知细微细节差异的能力。此外，模型还捕捉害虫身体不同部分之间的依赖关系，以改进全局结构和语义信息的建模。另外，构建了两个能够区分害虫生长阶段和损害位置的细粒度枸杞害虫数据集，并采用了持续预训练策略来提升模型在不同场景下的适应性。实验结果表明，PAFT-WPest在公共害虫数据集IP102、Butterfly-200、WPIT9K、Rice Pest和Jute Pest上的准确率分别为76.83%、91.53%、98.70%、79.27%和97.34%；在自建的枸杞害虫数据集WP45和WP11上的准确率分别为97.82%和94.69%。这些结果表明，所提出的模型能够在复杂背景下提高精细害虫识别的性能，为农业害虫监测和分类提供了一种可行的方法。
