Diseño de una red de reconocimiento ligera para langostas y saltamontes adultos basada en el aprendizaje profundo

Área de la Ciencia:

• Ecología
• Ciencias de la computación
• Entomología

Sus antecedentes:

• Las langostas de pastizales y los saltamontes influyen significativamente en la dinámica del ecosistema de pastizales.
• La identificación precisa de estos géneros de insectos es crucial para la gestión ecológica y la protección agrícola.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo ligero para la identificación precisa de los géneros de langostas y saltamontes.
• Mejorar la eficiencia computacional y reducir la complejidad del modelo para aplicaciones prácticas.

Principales métodos:

• Construido dos conjuntos de datos de imágenes con 60 géneros cada uno de langostas y saltamontes.
• Desarrolló el modelo CGENet, integrando la atención principal por canal (CPCA) y GhostConv con la atención eficiente por canal (ECA).
• Aprendizaje de transferencia empleado y el algoritmo de optimización de Adam durante el entrenamiento del modelo.

Principales resultados:

• El modelo CGENet logró una alta precisión en la identificación de los géneros de langostas y saltamontes.
• El modelo demostró una mejor eficiencia computacional con operaciones y parámetros de punto flotante (FLOP) reducidos.
• La integración de los módulos CPCA y GhostConv contribuyó a mejorar el rendimiento del reconocimiento.

Conclusiones:

• El modelo CGENet propuesto ofrece una solución eficaz y eficiente para la identificación de géneros de langostas y saltamontes.
• Esta tecnología facilita estrategias precisas de control de plagas, mitigando el daño a la producción agrícola.
• El estudio contribuye al seguimiento ecológico y a las prácticas agrícolas sostenibles.