编辑推荐：
在农业领域，害虫造成的作物损失严重，传统监测方法效率低。研究人员开展 “基于可解释人工智能（XAI）技术与迁移学习的昆虫自动分类” 研究，发现 ResNet152v2 模型分类准确率达 96% ，有助于农业害虫防治和生态监测。
在广袤的农业天地里，害虫就像隐藏的 “破坏者”，肆意侵害着农作物。据联合国粮食及农业组织（FAO）估计，每年全球粮食产量的 20%-40% 都因害虫而遭受损失。传统的害虫监测手段，如使用黄色粘纸，不仅效率低下、耗时费力，还难以精准识别害虫种类。而且，昆虫体型微小，部分还具有伪装能力，在复杂的自然环境中，准确识别它们是一项艰巨的任务。
为了解决这些难题，来自达卡国际大学（Daffodil International University）和联合国际大学（United International University）的研究人员开展了一项关于昆虫分类的研究。他们提出了一种结合可解释人工智能（XAI）技术与迁移学习的方法，旨在构建一个高精度、易部署且具有良好可解释性的昆虫分类系统。该研究成果发表在《Discover Life》上。
研究人员采用了多种关键技术方法。在数据方面，他们收集了涵盖 9 个昆虫类别的 4509 张图像，这些图像部分来自手动采集，部分源于网络，并将其公开在 Mendeley Data 上。在数据预处理阶段，对图像进行分辨率转换（统一为 448x448）、归一化（将像素值缩放到 0-1 范围）、噪声去除（使用高斯滤波器）和图像裁剪等操作。同时，利用迁移学习，选择了 Xception、MobileNetv2、ResNet152v2 等预训练模型进行实验，并构建了自定义卷积神经网络（Custom CNN）。
研究结果如下：
- 模型评估：研究人员使用 NVIDIA GeForce RTX 3070 TI GPU 进行训练和测试，设定每个 epoch 有 20 个步骤，学习率为 0.011。在评估的多个模型中，ResNet152v2 表现最为出色，训练准确率达到 99%，测试准确率为 97% ，优于 Xception、MobileNetv2 和 Custom CNN 等模型。
- 训练和验证曲线：通过对比不同深度学习算法，发现 ResNet152v2 在测试数据集上的准确率最高。其训练和验证的准确率与损失曲线表明，该模型在训练过程中表现稳定，能有效学习数据特征。
- ResNet152v2 分类准确率：对包含 9 种昆虫的图像数据集进行分类评估，ResNet152v2 模型的整体准确率达到 96%。从分类报告中的精确率、召回率和 F1 分数等指标来看，该模型在识别不同昆虫类别时都有较好的表现，能准确区分各类昆虫。
- 基于 XAI 的昆虫分类解释：利用 Grad-CAM（梯度加权类激活映射）热图技术，研究人员可以直观地了解模型在分类过程中对图像不同区域的关注程度，展示了模型决策的依据，增强了模型的可解释性。
- 混淆矩阵：通过混淆矩阵评估模型性能，结果显示 ResNet152v2 模型在识别不同昆虫类别时，正确分类率较高，错误分类率较低，进一步证明了其良好的分类能力。
研究结论和讨论部分指出，ResNet152v2 模型在昆虫分类中表现卓越，为实时监测害虫和及时采取防治措施提供了有效的技术支持。不过，该研究也存在一定局限性，如数据集规模较小且图像质量参差不齐，可能影响模型对一些昆虫种类的分类准确性。未来研究可通过扩大数据集规模、提高图像质量，以及将模型应用于移动设备或结合更多环境因素等方式，进一步提升模型的性能和实用性。
这项研究的意义重大，它为农业害虫防治和生态监测提供了新的解决方案，有助于减少农药使用、提高农田肥力，推动可持续农业发展。同时，该研究也为人工智能在生命科学领域的应用提供了重要参考，为后续相关研究奠定了基础。
