一个基于深度学习的决策支持工具,用于对植物寄生虫虫进行管理
Top Bahadur Pun1, Arjun Neupane1, Richard Koech2
1School of Engineering and Technology, Central Queensland University, Rockhampton, QLD 4701, Australia.
Journal of imaging
|November 24, 2023
概括
一个新的深度学习工具NemDST,使用YOLOv5.5快速检测和估计植物寄生虫线虫种群. 这项技术有助于农民快速评估感染情况,最大限度地减少作物损失并改善财务结果.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遗体学 遗体学 是一个学科.
背景情况:
- 植物寄生性线虫 (PPN),特别是根结线虫 (RKN),在全球范围内造成严重的作物产量损失和经济损害.
- 目前用于识别和量化PNN种群的方法是劳动密集型和耗时的,阻碍有效管理.
研究的目的:
- 开发一种最先进的深度学习模型,用于检测和估计植物寄生虫线虫种群.
- 为农民创建一个用户友好的决策支持工具 (NemDST),以管理线虫感染.
主要方法:
- 利用YOLOv5深度学习模型与预训练的权重来检测RKN幼虫和蛋.
- 将YOLOv5模型集成到一个Web应用程序中,以创建NemDST原型.
- 使用精度,回忆,F1得分和平均精度 (mAP) 评估模型性能.
主要成果:
- 在检测RKN卵时,YOLOv5-640模型实现了高精度 (精度=0.992,回忆=0.959,F1分数=0.975,mAP=0.979).
- 检测推断时间快3.9毫秒,超过其他方法.
- 纳米DST系统提供图像输入,人口评估,生长跟踪和控制建议.
结论:
- 尼姆DST工具为评估线虫种群提供了快速可靠的解决方案.
- 这项技术有可能显著减少作物产量损失,提高农业经济成果.
- 自动化线虫检测和种群估计可以彻底改变害虫管理策略.
