整合重量和成像特征:在Mythimna separata (Walker) 中用于幼虫阶段识别的机器学习框架

科学领域:

• 农业昆虫学 农业昆虫学
• 计算生物学 计算生物学
• 机器学习应用 机器学习应用

背景情况:

• 东方军虫 (Mythimna separata) 爆发导致农作物遭受重大损失.
• 传统的害虫监测方法是劳动密集型的,容易出错.
• 准确识别幼虫阶段对于有效的害虫防治至关重要.

研究的目的:

• 开发一种自动化系统,使用机器学习精确识别Mythimna separata幼虫.
• 评估图像衍生特征和预测幼虫体重对分级分类的贡献.
• 为了比较不同机器学习模型的性能,用于害虫识别和体重预测.

主要方法:

• 分析了1577个幼虫图像的几何,颜色和纹理特征.
• 使用13个回归模型预测幼虫体重.
• 使用支持矢量分类器 (SVC),随机森林和多层感知器进行Instar识别.
• 功能重要性分析以确定关键的分类驱动因素.

主要成果:

• 机器学习模型在自动化实时识别中实现了高效率和准确性.
• 预测幼虫体重是一个重要的特征,增强了所有识别模型.
• SVC实现了最高的分级识别准确性 (94%).
• 在幼虫体重预测方面,BaggingRegressor表现最好 (R2 = 98.20%).

结论:

• 将预测的幼虫体重与图像特征相结合,是识别害虫的一个非常有效的策略.
• 机器学习为精确的害虫管理提供了一个可扩展和可靠的框架.
• 拟议的方法提高了幼虫阶段识别的准确性和效率,有助于有针对性的控制策略.