相关实验视频
Updated: Jan 18, 2026
05:16
Flying Insect Detection and Classification with Inexpensive Sensors
Published on: October 15, 2014
25.7K
使用CNN进行分类和不确定性量化,对15个家庭的欧洲飞授粉者
Thomas Stark1, Michael Wurm1, Valentin Ştefan2,3,4
1German Aerospace Center (DLR), German Remote Sensing Data Center (DFD), Oberpfaffenhofen, Germany.
PloS one
|September 10, 2025
概括
使用卷积神经网络 (CNN) 自动监测欧洲授粉 (Diptera),达到95.61%的准确性. 这种人工智能方法通过改善授粉者识别和减少错误分类来增强生物多样性和粮食安全.
科学领域:
- 生态生态学 生态生态学
- 计算机科学 计算机科学
- 昆虫学 昆虫学是一门学科.
背景情况:
- 授粉对于生物多样性和粮食安全至关重要, (Diptera) 是欧洲的主要授粉者.
- 传统的授粉者监测方法是劳动密集型和昂贵的.
- 自动监测在很大程度上忽视了,因为识别挑战.
研究的目的:
- 调查卷积神经网络 (CNN) 对于分类欧洲授粉家族的有效性.
- 使用蒙特卡洛方法量化分类不确定性.
- 评估图像裁剪对分类性能和信心的影响.
主要方法:
- 使用了三种CNN架构:ResNet18,MobileNetV3和EfficientNetB4. 这三种架构.
- 开发了各种Diptera图像的数据集,包括翅膀形态和身体习惯.
- 采用蒙特卡洛放弃和测试时间增长来估计随机和认识的不确定性.
主要成果:
- 在15个欧洲家族中,获得了高达95.61%的整体分类准确度.
- 将图像切割到Diptera边界框中,平均精度提高了5.58%,预测可靠性增加了8.56%.
- 证明了CNN在区分家族和减少错误分类方面的有效性.
结论:
- CNNs为准确和自动识别授粉提供了一个强大的工具.
- 图像预处理,如边界框裁剪,显著提高模型性能和可靠性.
- 这种人工智能驱动的方法促进了授粉者监测,支持生物多样性和粮食安全倡议.
