使用新型U-Net与混合深度学习机制进行作物害虫细分和检测
Nagaveni Biradar1, Girisha Hosalli1
1Department of Computer Science & Engineering, Rao Bahadhur Y Mahabaleswarappa Engineering College, VTU, Belagavi, Karnataka, India.
Pest management science
|March 20, 2024
概括
一个新的混合深度学习模型准确地检测和细分作物害虫,达到99.52%的准确性. 这一进步有助于农民通过识别威胁,及时采取预防措施来保护作物.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 由于农作物害虫,印度的农业生产面临重大挑战,影响经济稳定.
- 现有的害虫检测方法在实现高精度和效率方面存在局限性.
- 越来越多的农产品需求需要先进的作物保护解决方案.
研究的目的:
- 开发和评估一种新的混合深度学习机制,用于准确细分和检测作物害虫.
- 通过整合先进的深度学习架构来改进现有方法,以提高性能.
- 为农民提供一个可靠的工具,用于早期识别和分类害虫.
主要方法:
- 一个混合深度学习模型,结合DenseNet-77和UNet进行图像细分.
- 实施基于卷积切片注意的门式循环单元 (CS-AGRU) 用于虫害检测和分类.
- 预处理步骤包括图像调整尺度,对比度增强 (Eq-JH-CE) 和使用曲变换消除噪声 (BT-D).
主要成果:
- 拟议的混合型号实现了99.52%的高精度.
- 记录了卓越的性能指标,包括99.1%的IOU,98.88%的精度,99.53%的召回率和99.35%的F1得分.
- 该模型显示了0.011的低虚假阴性率 (FNR),表现优于现有技术.
结论:
- 开发的混合深度学习方法为作物害虫检测和分类提供了高度准确和高效的解决方案.
- 准确的害虫识别使农民能够及时实施有效的预防策略,保护作物产量.
- 这项研究通过为害虫管理提供先进的工具,为可持续农业做出了贡献.
