通过RP11改善米害虫管理:科学注释的数据集用于成年昆虫识别
Biao Ding1, Yunxiang Tian2, Xiaojun Guo3
1School of Electronic and Information Engineering, Faculty of Innovation Engineering, Macau University of Science and Technology, Macau 999078, China.
Life (Basel, Switzerland)
|June 26, 2025
概括
一个新的数据集,RP11,增强了用于深度学习模型的水害虫检测. 与现有数据集相比,RP11显著提高了害虫识别的准确性,有助于作物保护.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 米产量面临着严重的威胁,因为害虫感染的增加.
- 及时检测水害虫对于有效控制至关重要,深度学习模型显示出有希望.
- 现有的水害虫数据集通常在样本大小和注释质量方面存在局限性,阻碍了模型性能.
研究的目的:
- 开发一个改进的数据集,用于训练深度学习模型来检测水害虫.
- 提高在农业环境中识别大米害虫的准确性和科学严谨性.
- 创建一个强大的数据集,解决现有资源的局限性.
主要方法:
- 通过分离成体和幼虫病虫标本来完善IP102数据集.
- 使用网络爬虫技术获取额外的虫害图像.
- 重新注释成年害虫样本,并用拉丁文的科学姓氏取代英语名称.
- 开发RP11数据集,包括11个成年类和7个幼虫类,格式化为YOLO模型培训.
- 使用YOLOv11模型对RP11数据集的评估,以IP102作为基准.
主要成果:
- RP11数据集包含4559个成年虫害图像和2467个幼虫虫害图像,大约是IP102.2.中的原始大米特定子集的大小的四倍.
- 在关键指标上,RP11表现优于IP102:精度 (83.0%对比58.9%),回忆 (79.7%对比63.1%),F1得分 (81.3%对比60.9%),mAP50 (87.2%对比62.0%) 和mAP50-95 (73.3%对比37.9%).
结论:
- 新开发的RP11数据集显著提高了基于深度学习的水害虫检测的准确性.
- RP11为培训害虫检测模型提供了一个更全面,更科学,更准确的资源.
- 改进的数据集性能突显了其在农业害虫管理和产量保护方面的实际应用潜力.
