【农业害虫识别论文一】Crop pest classification based on deep convolutional neural network and transfer learning

本论文发布于2019年，主要基于三个数据集进行农业害虫的识别。文章不是简单的翻译，而是类似自己的读书笔记，基本记录了下，做后续回顾所用。望各位看官不要吐槽 哈哈！

论文题目

Crop pest classification based on deep convolutional neural network and transfer learning
在SCIHUB可以进行下载。

通过题目，其实可以看出来其实所用的技术已经不是当年的主流，但文中的一些思想值得记录下，避免多次重复阅读。

研究背景

农业害虫的识别与分类是农业科技领域的一项关键挑战。害虫会对农作物造成破坏，其中主要影响农作物产量，即减产。害虫的分类是一项艰巨的任务，由于害虫具有复杂的结构且在不同种类的害虫间还有较高的相似性。在农作物生长初期，对害虫进行识别和分类是十分有必要的，特别能够选择高效的农药或生物防治方法有效效抑制害虫的传播。传统人工识别害虫的方法是耗时耗力的，效率较低。使用机器学习的技术构建计算机视觉系统可以对害虫进行准确分类和识别，克服在农业研究领域的困难。

文章大致脉络

文章在Introduction部分除了描述一些研究背景外，大致描述了害虫识别的研究现状，然后是文章中所用的卷积网络架构的研究现状，但是卷积网络的架构只描述了最经典的 AlexNet ResNet GoogLeNet VGGNet。这个主要与文章后续提出自己的模型相对应。然后在Introduction最后一段大致讲了下自己所做的工作。
下面就是 Materials and methods部分：先介绍了所使用的害虫数据集，然后描述了自己对图像数据的预处理，其中有一点比较有意思，文中将原图中大于100px的部分直接截取出来，然后resize后送入网络进行训练；然后开始介绍深度网络架构，就是将上面提到的几个网络架构较详细描述了下，没太多新意，同时作者也在这部分展示了自己设计的网络架构，就是卷积 池化等模块的堆叠。

然后就是 Results and discussion，展示消融实验和一些对比试验，证明自己的方法可以，最后在三个数据集结果分别达到了 96.75 97.47 95.97%，作者的实验器材为 GPU NVIDIA Quadro K2200，4G显存，可见显存小做小模型还是可以出论文的。本部分作者先大致描述了网络模型主要受 网络基本模块(卷积及池化组合快)学习率、批次大小、训练轮次的影响，然后分别从以上三方面进行类似网格搜索的形式，得到了合适的超参数，最后对比了集中经典网络和自己提出网络结构的结果，证明了有效性。

文章所做出的贡献

主要就是提出了一种适合文章数据集的卷积网络架构，实验结果在害虫数据集方面其实挺高了，一般来讲只要准确率达到 90%以上其实就可以考虑进行部署应用了，但也可能是论文中的数据集本身就比较简单吧。