在玉米中使用多式RGB和热图像融合的强有力的秋季军队虫检测
Prakash Sandhya1, B Venkataramana2
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
Scientific reports
|December 25, 2025
概括
一个新的深度学习框架使用RGB和热图相结合,准确地检测玉米作物中的秋季军 (FAW). 这种多模式的方法显著提高了精准农业的害虫检测准确度.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 秋季军 (FAW) 是对全球玉米生产的重大威胁,导致大量的收获损失.
- 手动检测害虫的方法是劳动密集的,低效的,容易出现错误,阻碍了有效的作物管理.
- 精准农业需要准确和自动化的工具来早期识别害虫和疾病.
研究的目的:
- 开发和评估一种新的深度学习框架,用于自动分类FAW感染的玉米作物.
- 通过多式联接,通过整合RGB和热成像模式来提高检测准确度.
- 将合并模型的性能与单模和非合并深度学习方法进行比较.
主要方法:
- 一种混合深度神经网络-视觉转换器 (DNN-ViT) 模型被设计用于多式模式图像融合.
- 研究了两种融合策略:特征级融合 (CNN特征+DNN) 和图像级融合 (6通道RGB热+ViT).
- 在测试数据集上使用准确度,精度,回忆,F1得分和AUC-ROC来评估性能.
主要成果:
- 合并的DNN-ViT模型以0.98的准确度,精度,回忆,F1得分和AUC-ROC实现了高性能.
- 多模式聚变显著优于仅使用RGB或仅使用热数据训练的模型.
- 一项废除研究证实了聚变的有效性,显示没有它的性能大幅下降 (精度为0.60).
结论:
- 通过深度学习融合整合RGB和热图像,为在玉米中准确检测FAW提供了强大的解决方案.
- 拟议的多式联运框架增强了精准农业中的作物健康监测能力.
- 未来的工作应该专注于先进的核聚变技术和现场部署以实现实际应用.
