机器学习和深度学习网络的全面调查,以识别多种类的番茄昆虫图像

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 番茄作物 (Solanum lycopersicum) 容易受到害虫和干旱的影响,导致大量的产量和财务损失.
• 精确的害虫检测对于综合性害虫管理和可持续农业至关重要.
• 目前的方法往往缺乏大规模农业应用所需的效率和准确性.

研究的目的:

• 探索卷积神经网络 (CNN) 对于自动番茄害虫图像分类的有效性.
• 在基于CNN的害虫分类上研究和比较各种优化器 (AdaDelta,AdaGrad,Adam,RMSprop,SGD,Nadam) 的性能.
• 评估优化的CNN模型与传统的机器学习算法和最先进的深度学习模型对比.

主要方法:

• 一个定制的CNN模型在4263张番茄害虫图像的数据集上进行了训练和评估.
• 基于分类准确性,融合速度和稳定性,比较了六个不同的优化器的性能.
• 传统的机器学习模型 (逻辑回归,随机森林,天真贝叶斯,SVM,决策树,KNN) 被用作基准.

主要成果:

• 在个人优化器中,RMSprop实现了最高的验证准确度 (89.09%),精度,回忆和F1分数强.
• 交叉验证显示,Nadam优化器与CNN优于其他方法,平均准确率为79.12%,F1得分为78.92%.
• 优化的CNN方法与传统机器学习模型和其他深度学习架构相比,表现出更高的性能.

结论:

• 特定的优化器对番茄害虫分类的CNN性能产生重大影响.
• 纳达姆和RMSprop优化的CNN为番茄种植中自动检测害虫提供了有效的解决方案.
• 这项研究为农业图像分析提供了宝贵的指导,并增强了自动化害虫管理策略.