基于快速自适应运动特征融合的高通量端到端虫蜜露分泌行为识别方法

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:

• 虫是主要的农业害虫和植物病毒载体.
• 目前用于监测虫行为的方法是低效的,缺乏实时功能.
• 了解虫的食活动和植物的抵抗力需要准确的行为分析.

研究的目的:

• 开发一个自动化的,端到端的框架来检测多种虫行为.
• 为了提高虫行为识别的准确性和实时能力.
• 为评估植物耐药性和管理虫害提供可靠的工具.

主要方法:

• 创建了第一个细粒度数据集,用于虫爬行运动 (CL),腿动 (LF) 和蜂蜜露排泄 (HE) 行为.
• 开发了一种快速自适应运动特征融合算法,用于高颗粒度的时空特征提取.
• 优化了RT-DETR检测模型,通过集成基于spline的激活功能和Kolmogorov-Arnold网络 (RK50模块).

主要成果:

• 拟议的框架实现了平均准确度为85.9%.
• 与基线模型相比,RK50模块的平均精度 (mAP50) 提高了2.9%.
• 与主流算法相比,在检测小目标蜂蜜方面表现出卓越的性能.

结论:

• 这项研究提出了一种创新的解决方案,用于自动监测细粒度虫行为的行为.
• 开发的框架提供了比传统方法更好的准确性和效率.
• 该研究为昆虫行为识别研究提供了有价值的参考,在GitHub上共享资源.