一个融合转移学习框架,用于在可持续农业中智能识别害虫
Amal Alshardan1, Asmaa Mansour Alghamdi2, Noha Negm3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University (PNU), P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
Scientific reports
|October 14, 2025
概括
这项研究引入了一种人工智能模型,用于早期检测农作物中的昆虫害虫和疾病,从而改善粮食生产. 使用启发式优化器和融合转移学习 (IPRMEFP-HOFTL) 提高粮食生产的昆虫害虫识别模型实现了98.22%的准确性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 全球人口增长需要可持续的粮食生产.
- 植物疾病和害虫导致农作物产量和质量损失很大.
- 自动检测对于监测大型农业面积和早期干预至关重要.
研究的目的:
- 提出一个人工智能驱动的模型,用于智能农业中自动识别昆虫害虫和疾病.
- 通过准确及时检测作物健康问题,提高粮食生产.
- 开发一个强大的系统来监测植物叶子是否有早期感染或疾病的迹象.
主要方法:
- 使用Wiener过 (WF) 和数据增强进行图像预处理.
- 通过CapsNet和Xception模型的融合提取特征.
- 使用无效的自编码器长期短期记忆 (DAE-LSTM) 进行分类.
- 使用多目标remora优化算法 (MOROA) 进行超参数优化.
主要成果:
- 拟议的昆虫害虫识别模型用于增强食品生产使用启发式优化器和融合转移学习 (IPRMEFP-HOFTL) 展示了高性能.
- 在IP102数据集上获得了98.22%的卓越准确性.
- 在植物疾病和害虫检测方面表现优于现有的技术.
结论:
- IPRMEFP-HOFTL模型为智能农业中自动检测植物疾病提供了有效的解决方案.
- 这种人工智能方法对提高作物产量和确保粮食安全作出了重大贡献.
- 该研究强调了将人工智能,物联网和优化算法集成到现代农业实践中的潜力.
