使用深度学习算法识别草草中的植物寄生性线虫属
Vikram Rangarajan1, Fereshteh Shahoveisi2, Benjamin D Waldo3
1Department of Computer Science, University of Maryland, College Park, MD, USA.
Scientific reports
|December 7, 2025
概括
深度学习模型准确地识别了草线虫,这对于控制这些有害害虫至关重要. 效率网V2-S和Swin变压器V2-B显示了最高的性能,帮助诊断.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遗体学 遗体学 是一个学科.
背景情况:
- 植物寄生性线虫对草皮草的质量和可玩性构成重大威胁.
- 精确的线虫鉴定对于有效的管理至关重要,但需要专门的线虫学专业知识.
- 植物诊断实验室的有限专业知识凸显了对自动识别解决方案的需求.
研究的目的:
- 评估深度学习模型的性能,用于对影响草皮草的七种线虫种群进行分类.
- 为了比较EfficientNet V2-S,MobileNetV3-L,ResNet101和Swin变压器V2-B架构的有效性.
- 评估人工智能在自动化线虫鉴定诊断方面的潜力.
主要方法:
- 在5406个线虫图像上训练了四个卷积神经网络模型 (EfficientNet V2-S,MobileNetV3-L,ResNet101,Swin Transformer V2-B).
- 为了培训,测试和验证,使用了70/15/15%的数据分割.
- 采用数据增强和贝叶斯优化以及超频段算法 (BOHB) 来进行超参数优化.
主要成果:
- 在测试组中,EfficientNet V2-S和Swin Transformer V2-B实现了最高的平衡分类准确率 (94.63%和94.34%).
- 移动网络V3-L和ResNet101的准确性较低 (90.83%和86.33%).
- EfficientNet V2-S在终端用户平台上表现出卓越的性能,准确度为82.47%.
结论:
- 深度学习模型,特别是EfficientNet V2-S和Swin Transformer V2-B,显示出准确识别草线虫的巨大潜力.
- 这些人工智能工具可以协助诊断,克服专门的线虫学专业知识的局限性.
- 自动识别可以改善在草草环境中的线虫害管理.
