计算机视觉和深度学习模型的应用,以自动分类马来西亚北婆罗洲医学上重要的蚊子
Song-Quan Ong1, Abdul Hafiz Ab Majid2, Wei-Jun Li3
1Institute for Tropical Biology and Conservation, Universiti Malaysia Sabah, Jalan UMS, Kota Kinabalu, Sabah Malaysia.
Bulletin of entomological research
|April 1, 2024
概括
一个深度学习模型准确地识别了关键的蚊子载体,如Aedes aegypti,Aedes albopictus和Culex quinquefasciatus,使马来西亚能够有效地对蚊子传播疾病进行实地监测.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 由于景观变化,在马来西亚的北婆罗洲蚊子传播的疾病正在增加.
- 目前的蚊子监测方法是劳动密集型的,需要专家人员.
- 自动检测可以提高载体监测的效率和准确性.
研究的目的:
- 开发一种深度学习 (DL) 应用程序,用于自动检测主要蚊子载体.
- 部署DL模型用于在矢量监视中实际的现场使用.
主要方法:
- 一个MobileNetV2深度学习模型在4880张Aedes aegypti,Aedes albopictus和Culex quinquefasciatus的图像上进行了训练.
- 该模型使用各种学习速率进行了微调,并对准确性,精度,回忆和F1分数进行了评估.
- 推断时间被测量以评估现实世界的应用可行性.
主要成果:
- 在测试组中,DL模型实现了超过97%的准确性,96%的精度和97%的回忆率.
- 在应用程序的实地测试中,该模型以47.33毫秒的推断时间显示了76%的准确性.
- 该研究强调了计算机视觉和DL用于载体监测的实用性.
结论:
- 深度学习模型可以有效地被部署为蚊子载体识别的实际应用.
- 这项技术为传统监控方法提供了更有效,更准确的替代方案.
- 用更大的数据集和先进的DL架构进行进一步的研究可以增强预测能力.
