基于转移学习的、通过饥饿游戏搜索算法优化的深度卷积神经网络进行实证性资源高效害虫分类

《International Journal of Tropical Insect Science》：Empirical resource-efficient insect pest classification using hunger game search-optimized deep convolutional neural network with transfer learning

　　

摘要

准确及时地识别害虫对于可持续的作物保护、精准农业和全球粮食安全至关重要。传统的手动侦察方法劳动强度大、耗时时间长，并且容易受到人为错误的影响，尤其是在大规模农业条件下。尽管深度卷积神经网络（DCNN）显著提高了害虫识别的自动化程度，但现有方法仍存在计算复杂度高、收敛不稳定、内存需求大以及在类别不平衡的田间条件下鲁棒性有限等问题。为了解决这些挑战，我们提出了一种基于“饥饿游戏搜索”（Hunger Game Search）优化的深度卷积神经网络（HGS-DCNN）框架，该框架结合了迁移学习、自适应图像预处理和元启发式超参数优化技术，用于大规模多类害虫分类。该框架使用了公开可用的IP102数据库进行评估，该数据库包含约75,000张来自田野的害虫图像，涵盖了102种害虫类别。迁移学习利用ImageNet预训练的权重初始化特征提取层，而“饥饿游戏搜索”动态优化学习参数以提升收敛性和泛化性能。实验评估显示，该模型的训练准确率为99.8%，验证准确率为98.2%，远超DenseNet121和InceptionResNetV2等基础模型。该模型达到了0.985的宏观精确度、0.982的召回率、0.983的F1分数以及0.994的平均AUC-ROC值。五折交叉验证证实了其高稳定性，平均准确率为98.20%，标准差为0.14。统计显著性测试进一步验证了该框架的优越性（p < 0.001）。此外，该架构的计算开销较低，仅需16.8 MB的模型存储空间和450 MB的GPU内存，且能够以54.05 FPS的帧率实现实时推理。这些发现表明，HGS-DCNN为精准农业中的智能害虫监测提供了一种准确、计算效率高且可扩展的解决方案。