- 简介蚜虫的侵害是导致小麦和高粱田广泛损害的主要原因之一，也是植物病毒最常见的媒介之一，导致农业产量显著减少。为了解决这个问题，农民经常使用低效的有害化学农药，对健康和环境产生负面影响。因此，大量的农药被浪费在没有显著害虫侵袭的地区。这引起了一个紧迫的问题，需要一个智能自主系统，能够在复杂的作物冠层内有选择地定位和喷洒足够大的害虫侵袭区域。我们开发了一个大型的多尺度数据集，用于蚜虫集群检测和分割，从实际高粱田采集，并精心注释以包括蚜虫集群。我们的数据集包括总共54,742个图像块，展示了各种视角、不同的光照条件和多个尺度，突出了它在实际应用中的有效性。在本研究中，我们针对蚜虫集群分割和检测，训练和评估了四个实时语义分割模型和三个目标检测模型。考虑到准确性和效率之间的平衡，Fast-SCNN提供了最有效的分割结果，实现了80.46%的平均精度、81.21%的平均召回率和91.66帧每秒（FPS）。对于目标检测，RT-DETR在NVIDIA V100 GPU上表现最佳，具有61.63%的平均精度（mAP）、92.6%的平均召回率和72.55的性能。我们的实验进一步表明，与使用检测模型相比，蚜虫集群分割更适合评估蚜虫侵害。
- 图表
- 解决问题如何解决农业领域中蚜虫侵害问题并减少化学农药的使用？
- 关键思路使用智能自主系统定位并有选择性地喷洒蚜虫聚集区域，通过Fast-SCNN模型进行蚜虫聚集区域的语义分割和RT-DETR模型进行蚜虫聚集区域的物体检测，提高效率和准确性
- 其它亮点使用真实的高质量数据集进行实验，展示了Fast-SCNN和RT-DETR模型的优越性，同时发现聚集区域语义分割比物体检测更适合评估蚜虫侵害
- 相关研究包括：1. 基于图像处理和机器学习的农业害虫检测研究 2. 基于深度学习的作物病虫害智能诊断技术研究
沙发等你来抢
去评论
评论
沙发等你来抢