从识别到预测:图像识别和人工智能的潜力用于虫虫害监测
Philipp Batz1, Torsten Will2, Sebastian Thiel1
1ALM - Adaptiv Lernende Maschinen - Gesellschaft mit beschränkter Haftung (GmbH), Nisterau, Germany.
Frontiers in plant science
|August 4, 2023
概括
使用人工智能和图像识别的自动化昆虫识别可以克服分析吸入陷数据的瓶. 这项技术有助于预测害虫爆发和管理作物保护战略.
科学领域:
- 农业昆虫学 农业昆虫学
- 计算生物学 计算生物学
- 生态生态学 生态生态学
背景情况:
- 昆虫监测对于了解生物多样性丧失和管理农业害虫至关重要.
- 吸入陷等传统方法可以产生大量的数据集,但在手工分析和分类学专业知识方面面临瓶.
- 机器学习和人工智能为被困标本的自动识别和量化提供了有希望的解决方案.
研究的目的:
- 用虫作为模型生物体来证明用于昆虫害虫监测的自动识别的潜力.
- 探索图像识别和人工智能在处理昆虫陷数据中的应用.
- 突出针对害虫管理的智能预测模型的发展.
主要方法:
- 使用吸入陷进行长期的,被动的昆虫收集.
- 应用机器学习,图像识别和人工智能用于从静态图像中自动识别标本.
- 开发基于处理的昆虫数据的智能预测模型.
主要成果:
- 展示了从图像中自动识别单个昆虫的可行性.
- 通过技术进步,证明了对昆虫害虫的系统监测的潜力.
- 强调了人工智能在克服手工处理局限性的作用.
结论:
- 自动识别系统可以显著提高昆虫监测和数据分析的效率.
- 以人工智能为动力的工具对于开发准确的病虫繁多和病毒传播的预测模型至关重要.
- 这些进展支持面对气候变化的可持续作物保护和耐药性管理策略.
更多相关视频
09:44Identification of Critical Conditions for Immunostaining in the Pea Aphid Embryos: Increasing Tissue Permeability and Decreasing Background Staining
Published on: February 2, 2016
10.0K
07:20Maintaining Biological Cultures and Measuring Gene Expression in Aphis nerii: A Non-model System for Plant-insect Interactions
Published on: August 31, 2018
7.6K
