Video Experimental Relacionado
Updated: Sep 9, 2025
05:16
Flying Insect Detection and Classification with Inexpensive Sensors
Published on: October 15, 2014
25.3K
Método de incorporación y selección de características visuales de modelos múltiples para una clasificación eficiente
Vikas Khullar1, Isha Kansal1, Shyama Barna Bhattacharjee2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Scientific reports
|August 28, 2025
Resumen
Un sistema automatizado para la identificación de plagas de insectos en Agricultura 5.0 utiliza modelos de aprendizaje profundo y Análisis Discriminante Lineal (LDA) para una selección eficiente de características. Este enfoque logra una alta precisión con bajos recursos computacionales, lo que beneficia a la agricultura de precisión.
Área de la Ciencia:
- Ciencias Agrícolas
- Ciencias de la computación
- Aprendizaje automático
Sus antecedentes:
- La agricultura 5.0 depende en gran medida del cultivo de cultivos, lo que requiere métodos eficientes para la identificación de plagas.
- La identificación manual de plagas requiere mucho trabajo y es propensa a errores, lo que afecta el rendimiento y la calidad de los cultivos.
- Existe una creciente necesidad de sistemas automatizados y eficientes en el uso de los recursos para la detección remota de plagas.
Objetivo del estudio:
- Desarrollar un sistema automatizado para la identificación de plagas de insectos con alta eficacia y bajos requisitos de recursos.
- Crear un modelo de clasificación capaz de manejar un gran número de clases de plagas.
- Mejorar la velocidad y la precisión de la identificación de plagas en comparación con los métodos manuales.
Principales métodos:
- Se utilizaron modelos de aprendizaje profundo previamente entrenados (DenseNet201, EfficientNetB3, InceptionResNetV2) para la extracción de características visuales.
- Análisis Lineal Discriminante Aplicado (ALD) para la selección eficiente de características a partir de conjuntos de datos combinados de plagas (19 clases).
- Desarrolló una red neuronal ligera y densa para la clasificación final.
Principales resultados:
- Se logró una precisión del 99,99%, una validación del 100% y un recuerdo del 99,99% con una pérdida insignificante.
- El método de selección de características híbrido propuesto demostró ser más eficiente desde el punto de vista computacional que el aprendizaje de transferencia tradicional.
- El sistema demostró una alta eficacia con demandas computacionales y de memoria reducidas.
Conclusiones:
- El sistema desarrollado ofrece una solución de bajo recurso y alta eficacia para la clasificación de plagas de insectos en múltiples clases.
- Este enfoque es adecuado para el despliegue en entornos de agricultura de precisión.
- La estrategia de selección de características híbridas mejora la eficiencia de la clasificación sin una amplia capacitación.
