使用非侵入性近红外成像和机器学习分类来推断tephritid幼儿的发展阶段
Guadalupe Córdova-García1, Horacio Tapia-McClung1, Dinesh Rao2
1Instituto de Investigaciones en Inteligencia Artificial, Universidad Veracruzana, Xalapa, Veracruz, México.
Bulletin of entomological research
|September 8, 2025
概括
确定墨西哥果幼虫的年龄对于害虫控制至关重要. 近红外成像和机器学习提供了一种非侵入性方法来评估幼的年龄和生存能力,有助于农业管理.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 农业科学 农业科学
- 计算机科学 计算机科学
背景情况:
- 准确地确定昆虫幼虫年龄对于管理农业上重要的害虫,如特弗里特,至关重要.
- 目前的年龄测定方法具有侵入性,需要样本剖析,并阻碍了纵向研究.
- 需要使用非侵入性技术,以道德和有效地评估幼儿生理年龄.
研究的目的:
- 开发和验证一种非侵入性方法来确定墨西哥果 (Anastrepha ludens) 幼的生理年龄.
- 将机器学习算法应用于近红外 (NIR) 成像数据,以估计幼儿的年龄.
- 评估这种方法在不等待成人的出现的情况下估计幼生存能力的潜力.
主要方法:
- 使用非侵入性近红外 (NIR) 成像 (850-1100 nm) 来捕捉Anastrepha ludens pupae在整个发育过程中的图像.
- 在受控条件下 (26°C,75-80%RH) 定期拍摄子.
- 使用卷积神经网络 (CNN) 分析了NIR图像,以分类幼儿发育阶段并估计生理年龄.
主要成果:
- 对于Anastrepha ludens的入期为17至19天.
- 观察到关键的形态变化,包括眼睛变黑 (12日) 和翅膀/腿/setae的黑色化 (13-15日).
- 开发的CNN模型在识别生理年龄范围内达到71.77%的平均准确率.
结论:
- 近红外成像与机器学习相结合,提供了一种非侵入性方法来确定Anastrepha ludens pupae的生理年龄.
- 这种方法可以在不伤害幼的情况下进行发育阶段评估.
- 该方法对估计幼生存能力,改进害虫管理策略显示出希望.
