基于深度学习的水害虫检测研究研究
Peng Xiong1, Cong Zhang1, Linfeng He1
1Wuhan Polytechnic University, Wuhan, Hubei, China.
PloS one
|November 7, 2024
概括
这项研究使用优化的YOLOv8深度学习模型来增强大米害虫检测. 改进的模型显著提高了可持续农业和粮食安全的准确性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 全球粮食安全受到低效的传统大米害虫检测方法的威胁.
- 目前的方法是劳动密集型,耗时,缺乏实时监控能力.
- 需要先进技术来提高农业生产力和可持续性.
研究的目的:
- 开发和验证基于深度学习的方法,以准确有效地检测水害虫.
- 为复杂的农业环境增强YOLOv8模型的性能.
- 为实时害虫监测和管理提供技术解决方案.
主要方法:
- 使用了IP102大型大米害虫基准数据集 (9,663张图像).
- 通过集成卷积块注意模块 (CBAM) 和双向特征金字塔网络 (BiFPN) 来优化YOLOv8模型.
- 在模型评估中采用训练与测试的比例为8:2.
主要成果:
- 改进的YOLOv8模型实现了98.8%的平均平均精度 (mAP@0.5) 和78.6%的mAP@0.5:0.95.
- 与原始YOLOv8模型相比,表现出2.8%和2.35%的显著性能增加.
- 证实了该模型在复杂的农业环境中的有效性.
结论:
- 深度学习,特别是优化的YOLOv8模型,为精确检测水害虫提供了强大的工具.
- 拟议的方法显著提高了检测准确度,解决了传统方法的局限性.
- 这项研究为先进的农业害虫管理和增强粮食安全提供了新的技术基础.
