开发和评估一套自动化分类和计数系统,用于在测量板上捕获的
Toshihisa Yashiro1, Tomohiko Takayama2, Ryo Sugiura3
1Koshi Campus, Institute for Plant Protection, National Agriculture and Food Research Organization (NARO), Koshi, 861-1192, Japan. yashiro.toshihisa704@naro.go.jp.
Scientific reports
|July 2, 2025
概括
一个新的深度学习系统准确地识别和计数了17个类别中的米. 这种自动化方法大大减少了对害虫管理的调查时间和劳动力成本.
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:
- 虫是亚洲大米种植的主要昆虫害虫.
- 手动调查植物的丰富性是耗时和劳动密集的.
- 之前的深度学习模型在植物探测方面实现了79%的mAP.
研究的目的:
- 改进一个深度学习系统,以便更准确,更高效地计数大米植物.
- 减少与传统害虫调查相关的时间和成本.
主要方法:
- 修改了一个深度学习对象检测系统.
- 重新考虑了计数类别,并进行了额外的监督培训.
- 在测量板的扫描图像上评估系统性能.
主要成果:
- 修改后的系统实现了91%的平均精度 (mAP).
- 它可以分类和计数17个类别的植物.
- 每个调查板的处理时间减少到大约六分钟,而人类专家的处理时间超过一小时.
结论:
- 增强的深度学习系统为大米植物的监测提供了高性能.
- 这项技术大大节省了时间,并降低了害虫管理中的劳动力成本.
- 提高监测种群动态的效率可以改善害虫控制策略.
