基于深度学习和机器视觉的温室自动病虫识别系统

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 昆虫学 昆虫学是一门学科.

背景情况:

• 有效的温室管理依赖于了解害虫种群动态,以预防作物疾病.
• 基于图像的害虫识别提供实时监控,但面临着小型害虫大小和复杂背景的挑战.
• 高质量的数据集和强大的检测模型对于准确的害虫识别至关重要.

研究的目的:

• 开发一个自动化虫害图像收集系统和一个改进的虫害识别模型.
• 评估系统在现实世界温室环境中的性能.
• 分析不同温室环境中的害虫种群动态.

主要方法:

• 开发了一种使用黄色粘性纸和LED照明来获取害虫图像的自动捕捉系统.
• 提出了一个改进的YOLOv5模型,包含复制粘贴数据增强功能,以提高害虫识别.
• 在桃番茄和草温室进行了为期40天的连续监测实验,确定了6种害虫类型.

主要成果:

• 改进的YOLOv5模型实现了96%的平均识别精度.
• 与原来的YOLOv5.5相比,改进的模型在识别附近的害虫方面表现出更好的性能.
• 温室间的害虫种群不同,桃番茄温室的害虫数量大约是草温室的1.7倍.

结论:

• 开发的时间序列害虫监测系统为温室害虫控制提供了宝贵的见解.
• 改进的YOLOv5模型显示了在农业环境中准确有效地检测害虫的巨大潜力.
• 这项技术可以进一步应用于各种温室环境,用于全面的害虫管理策略.