多种模型视觉特征嵌入和选择方法,以支持精准农业的有效害虫分类
Vikas Khullar1, Isha Kansal1, Shyama Barna Bhattacharjee2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Scientific reports
|August 28, 2025
概括
农业5.0中的昆虫害虫识别自动化系统使用深度学习模型和线性差异分析 (LDA) 进行高效的特征选择. 这种方法在较低的计算资源下实现了高精度,有利于精准农业.
科学领域:
- 农业科学
- 计算机科学
- 机器学习
背景情况:
- 农业5.0在很大程度上依赖于作物种植,需要有效的虫害识别方法.
- 手动识别害虫是劳动密集型,容易出现错误,影响作物产量和质量.
- 人们越来越需要自动化,资源高效的远程病虫检测系统.
研究的目的:
- 开发一种具有高效率和低资源要求的昆虫害虫识别自动化系统.
- 创建一个能够处理大量害虫类别的分类模型.
- 与手动方法相比,提高害虫识别的速度和精度.
主要方法:
- 使用预训练的深度学习模型 (DenseNet201,EfficientNetB3,InceptionResNetV2) 来进行视觉特征提取.
- 应用线性差异分析 (LDA) 用于从组合的害虫数据集 (19类) 中有效选择特征.
- 部署了一个轻量级的密集神经网络进行最终分类.
主要成果:
- 实现了99.99%的准确性,100%的验证,以及99.99%的回忆,损失微不足道.
- 拟议的混合特征选择方法比传统的转移学习更有效.
- 该系统在减少计算和内存需求的情况下表现出高效率.
结论:
- 开发的系统提供了低资源,高效的多类昆虫害虫分类解决方案.
- 这种方法非常适合在精密农业环境中使用.
- 混合特征选择策略提高了分类效率,而不需要广泛的再培训.
