相关实验视频
Updated: May 5, 2026
05:28
Quantifying Corticolous Arthropods Using Sticky Traps
Published on: January 19, 2020
5.8K
使用基于YOLO的深度学习检测模型,在黄色粘性陷上检测和白的物种级检测
Broes Laekeman1,2, Jochem Bonte1, Wannes Dermauw1
1Plant Sciences Unit, Flanders Research Institute for Agriculture, Fisheries and Food (ILVO), Merelbeke-Melle, Belgium.
Frontiers in plant science
|December 4, 2025
概括
这项研究引入了人工智能驱动的害虫检测,用于早期识别使用黄色粘性陷的和白. 开发的系统使得物种级别的准确性成为可能,这对于农业的有针对性的害虫控制至关重要.
科学领域:
- 农业昆虫学 农业昆虫学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 诸如虫和白之类的虫害虫害导致全球农业产量大幅下降 (20%-40%).
- 目前的AI害虫监测缺乏物种级别的识别,阻碍了有针对性的控制策略.
- 早期,特定物种的害虫检测对于减少化学杀虫剂的使用和提高园艺标准至关重要.
研究的目的:
- 评估深度学习模型对实时,物种级别检测关键和白害虫的潜力.
- 为了确定在黄色粘性陷上准确识别物种所需的最小图像分辨率.
- 评估使用非微观RGB图像和基于YOLO的模型用于自动化害虫监测的可行性.
主要方法:
- 从黄色的粘性陷中收集并标记了一组平衡的三 (Frankliniella occidentalis,Echinothrips americanus) 和白 (Bemisia tabaci,Trialeurodes vaporariorum) 的数据集.
- 通过使用准备好的数据集,在不同的像素分辨率上训练并测试了各种YOLOv11和YOLO-NAS深度学习模型.
- 通过使用平均平均精度 (mAP@50) 和F1得分 (F1@50) 等指标评估模型性能.
主要成果:
- 高分辨率模型在一个独立的测试组中实现了优异的物种级检测 (mAP@50:79%-89%,F1@50:74%-87%).
- 最小的YOLOv11n模型展示了可行的性能 (mAP@50: 80%,F1@50: 77%),表明了效率.
- 使用YOLOv11n和YOLOv11x模型,确定80μm的最小像素分辨率足以用于物种级检测.
结论:
- 通过基于YOLO的深度学习,可以实时,自动化地对粘性陷上的和白进行物种级监测.
- 该技术,特别是YOLOv11n模型,提供了一个低复杂度的解决方案,适合现代相机硬件,包括智能手机.
- 未来的工作应该扩展该系统,包括更多的害虫物种,陷类型和不同的环境条件.
