植物昆虫图像分类的比较深度学习方法:CNN架构和增强技术的评估
Md Tomal Ahmed Sajib1, Nazmul Huda Badhon1, Imrus Salehin1,2
1Department of Computer Science and Engineering, Daffodil International University, Dhaka 1216, Bangladesh.
MethodsX
|November 17, 2025
概括
深度学习模型有效地使用BAU-Insectv2数据集识别农作物保护的昆虫. 特定的数据增强和优化器选择显著提高模型准确性,特别是在有限的农业数据.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 深度学习在农业图像分析中脱而出,以识别害虫.
- 有效的害虫识别对于作物保护和产量优化至关重要.
研究的目的:
- 用BAU-Insectv2数据集提出植物-昆虫图像分类的比较方法.
- 为了研究数据增强和优化器对模型性能的影响,使用小型,现场收集的数据.
主要方法:
- 通过使用转移学习评估了四个卷积神经网络 (CNN) 架构 (ResNet101V2,EfficientNet-B1,InceptionV3,InceptionResNetV1).
- 评估了六个单因素数据增强和三个优化器 (Adam,SGD,RMSprop).
- 使用准确度,精度,回忆和F1分数来测量性能.
主要成果:
- 亚当优化器通常在有限的数据上产生最稳定的高精度.
- 特定的模型-增强配对显示出显著的影响; EfficientNet-B1与裁剪实现了近乎完美的准确性.
- 带有旋转的ResNet101V2和带有亮度的InceptionV3也显示出具有竞争力的性能.
结论:
- 该研究提供了一个可复制的管道和增强意识的指导,用于在稀缺数据的昆虫识别.
- 这种方法使得可靠的昆虫识别能够改善农业决策支持.
- 优化数据增强和优化器选择对于农业图像分析中的深度学习至关重要.
