在深度学习的复杂样本中识别植物寄生虫虫
Sahil Agarwal1, Zachary C Curran2, Guohao Yu1
1Department of Electrical & Computer Engineering, University of Florida, Gainesville, Florida, 32611.
Journal of nematology
|October 18, 2023
概括
这项研究引入了一个新的公共数据集,即注释性线虫图像,以改进自动识别. 这一进步旨在加快植物寄生性线虫的检测和管理,减少全球的作物产量损失.
科学领域:
- 农业科学 农业科学
- 遗体学 遗体学 是一个学科.
- 计算机科学 计算机科学
背景情况:
- 植物寄生性线虫导致全球农作物产量大幅下降.
- 目前的识别方法是手动的,耗时的,昂贵的.
- 有限的数据共享阻碍了区域趋势分析和问题识别.
研究的目的:
- 为了呈现一个新的公共数据集注释植物寄生虫线虫图像.
- 促进自动识别方法的开发.
- 为了实现更快,更容易获得的线虫量化管理.
主要方法:
- 来自土壤提取的植物寄生虫线虫的收集和注释图像.
- 利用深度学习对象检测模型进行分析.
- 开发了一个公共数据集,用于更广泛的研究.
主要成果:
- 一个关于植物寄生虫线虫的新型注释数据集现在公开了.
- 该数据集支持自动识别工具的开发和测试.
- 证明了更快,更可扩展的线虫鉴定潜力.
结论:
- 新的数据集对于推进自动化植物寄生虫线虫鉴定至关重要.
- 这有助于改进作物管理策略,减少产量损失.
- 允许更广泛的数据共享,用于区域分析和早期发现问题.
