基于图像的蚊子识别和分类使用机器学习模型的趋势和进展:系统性审查
Alice Bagyiereyele Lakyiere1, Rose-Mary Owusuaa Gyening Mensah1, Nutifafa Yao Agbenor-Efunam2
1Department of Computer Science, KNUST, Kumasi, Ghana.
Computers in biology and medicine
|May 23, 2025
概括
机器学习 (ML) 快速识别蚊子物种,帮助控制疾病. 然而,有限的数据多样性和计算需求阻碍了现实世界的应用,需要更广泛的数据集和可访问的部署策略.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 蚊子传播的疾病 (如黄热病,登革热,寨卡病毒) 是全球主要的健康问题.
- 传统的蚊子识别是缓慢的,劳动密集型,需要专家知识.
- 机器学习 (ML) 提供自动化,快速和准确的物种识别.
研究的目的:
- 系统地审查基于ML的蚊子识别研究.
- 评估ML在这个领域的优势,局限性和地理贡献.
- 确定改善ML模型在矢量控制中的通用性和适用性的策略.
主要方法:
- 来自主要学术数据库的52项研究 (2000-2024) 的系统文献综述.
- 分析重点是ML技术,特征提取,分类准确性和识别的局限性.
- 包括标准从1050篇初步论文中选择.
主要成果:
- 机器学习模型使用形态特征 (翅膀,身体结构) 来实现物种,性别和年龄分类的高精度.
- 特征提取对于捕获细粒度特征至关重要.
- 关键的限制包括数据集多样性,不一致的预处理,高计算需求和物种间的形态相似性.
结论:
- ML显示有很大的潜力来加强蚊子监测和媒介控制策略.
- 解决数据集的局限性,计算要求和部署策略对于实际影响至关重要.
- 促进多样化的数据集和由非洲领导的研究可以促进包容性和环境相关的系统.
