通过改进区域卷积神经网络,为农作物叶子的害虫检测进行图像细分
Xianchuan Wu1, Yuling Liu1, Mingjing Xing1
1School of Data Science, Guangzhou Huashang College, Guangzhou, 511300, China.
Scientific reports
|October 15, 2024
概括
本研究介绍了先进的图像细分模型,分层面罩R-CNN (HM-R-CNN) 和基于值的HM-R-CNN (TbHM-R-CNN),以有效检测作物害虫. TbHM-R-CNN模型实现了96.2%的准确性,大大改善了对现有方法的害虫分类.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 农作物害虫检测对农业至关重要,但目前的方法在效率,储存和精度方面存在局限性.
- 图像细分提供了一个有前途的计算机辅助检测方法,通过高分辨率图像和分析方法来增强.
研究的目的:
- 通过使用先进的图像细分技术,提高作物害虫检测的效率和精度.
- 开发和验证新型深度学习模型,用于分类侵袭性害虫的作物叶子.
主要方法:
- 区域卷积神经网络 (R-CNN) 架构与辐射双对称分歧 (RBD) 结合,创建了层次化面具 (HM).
- 引入了一个容错机制,导致了基于值的层次面具 (TbHM).
- 开发了HM-R-CNN和TbHM-R-CNN模型,结合了简单的线性代集群 (SLIC) 用于图像细分和害虫分类.
主要成果:
- 基于值的层次面罩R-CNN (TbHM-R-CNN) 模型表现出卓越的性能,分类准确率为96.2%,回忆率为97.5%,F1得分为0.982.
- HM-R-CNN模型也取得了显著的结果,仅次于TbHM-R-CNN模型.
- 提出的方法显著优于现有的害虫检测技术.
结论:
- 开发的TbHM-R-CNN模型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.
- 这些先进的图像细分技术比目前的方法提供了显著的改进,有助于植物疾病管理.
- 该研究验证了深度学习和图像分析在农业害虫识别方面的有效性.
