通过三尺度卷积神经网络检测作物害虫,并注意注意
Xuqi Wang1, Shanwen Zhang1, Xianfeng Wang1
1College of Information Engineering, Xijing University, Xi'An, 710123, China.
PloS one
|June 2, 2023
概括
一个新的三级卷积神经网络与注意力 (TSCNNA) 模型提高了作物害虫检测的准确性. 这种人工智能方法可以在复杂的田间条件下加强对小型害虫的识别,从而提高农业安全.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 农作物害虫对农业产量和质量产生重大影响,需要精确检测才能有效管理.
- 现有的卷积神经网络 (CNN) 方法在复杂的现场环境中难以识别小,多样化的害虫.
研究的目的:
- 开发一种先进的CNN模型,以改善作物害虫检测,特别是针对小型和多样化的害虫物种.
- 提高农田实时病虫害识别的准确性和效率.
主要方法:
- 开发了一个新的三尺度CNN与注意力 (TSCNNA) 模型,结合了频道注意力和空间机制.
- 该模型旨在改善CNN对不同大小的害虫的关注,并扩大其接受领域.
主要成果:
- 在农作物害虫检测方面,TSCNNA模型实现了93.16%的精度.
- 这意味着相对于现有的ICNN和VGG16方法的显著改进,分别为5.1%和3.7%.
结论:
- TSCNNA模型展示了作物害虫检测的高速和准确性.
- 这种方法对实时,现场害虫防治和保护作物生产具有实际意义.
