使用图像增强技术和卷积神经网络来识别番茄上的昆虫入侵
Moy'awiah Al-Shannaq1, Shahed N Alkhateeb1, Mohammad Wedyan1
1Faculty of Information Technology and Computer Sciences, Yarmouk University, Jordan.
Heliyon
|January 21, 2025
概括
这项研究开发了一种深度学习模型,以准确识别威胁约旦番茄作物的昆虫害虫. 卷积神经网络实现了高精度,帮助农民保护粮食安全.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 昆虫害虫对区域和全球粮食安全构成重大威胁,特别影响约旦的番茄等重要作物.
- 有效的害虫识别对于及时干预和作物保护至关重要,以防止农业损失.
研究的目的:
- 开发和评估一种深度学习模型,以准确识别影响约旦番茄作物的昆虫害虫.
- 通过可访问的移动应用程序,增强农民的害虫检测能力.
主要方法:
- 昆虫害虫图像的数据集被策划,增加到5894张图像,并分为80%的培训和20%的验证集.
- 卷积神经网络 (CNN) 被用作图像分类的深度学习模型.
- 使用图像增强技术来增加数据集大小并提高模型的稳定性.
主要成果:
- 经过训练的CNN模型实现了90%的训练精度,85%的测试精度和87%的验证精度.
- 与以前没有图像增强的方法 (50-60%) 相比,开发的模型显示出明显更高的准确性.
- 该研究强调了深度学习和图像增强在害虫识别中的有效性.
结论:
- 成功开发了一种高精度的深度学习模型来检测昆虫害虫,为农民提供了一种有价值的工具.
- 该模型在移动应用程序上部署的潜力可以提供实时害虫识别支持.
- 这项研究有助于通过先进技术改善农业实践和保障粮食安全.
