一个新的数据集和深度学习对象检测基准,用于葡萄藤害虫监测
Giorgio Checola1, Paolo Sonego1, Roberto Zorer1
1Research and Innovation Centre, Fondazione Edmund Mach, San Michele all'Adige, TN, Italy.
Frontiers in plant science
|December 27, 2024
概括
这项研究引入了一种自动化系统,用于检测葡萄藤害虫Scaphoideus titanus和Orientus ishidae,这些害虫是黄金的关键载体. 开发的深度学习模型显著提高了害虫监测效率,有助于葡萄园管理.
科学领域:
- 农业昆虫学 农业昆虫学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 黄色发光 (FD) 是对葡萄树的重大威胁,导致大量的产量损失和经济损失.
- 目前的监测依赖于劳动密集型手动识别粘性陷上的叶 (Scaphoideus titanus,Orientus ishidae).
- 需要一个自动化害虫检测系统来提高监测效率和疾病管理.
研究的目的:
- 开发和评估一种针对Scaphoideus titanus和Orientus ishidae的自动化害虫检测系统.
- 为训练深度学习模型创建一个全面的注释数据集.
- 为了比较YOLOv8和Faster R-CNN在害虫检测方面的性能.
主要方法:
- 收集并注释了来自黄色粘性陷的S. titanus和O. ishidae的600多张图像.
- 利用计算机视觉和深度学习技术进行对象检测.
- 训练并比较了YOLOv8和Faster R-CNN模型,包括图像预处理和数据增强.
主要成果:
- YOLOv8实现了高精度,mAP@0.5的92%和F1得分>90%.
- 更快的R-CNN表现出强的表现,其mAP@0.5为86%.
- 该研究成功地解决了数据集的局限性和类检测挑战.
结论:
- 开发的自动化系统显示出高潜力,可以准确有效地检测关键的FD矢量.
- 这项技术可以显著提高葡萄园内黄金的管理策略.
- 注释数据集和训练模型为未来的研究和应用提供了宝贵的资源.
