Método de clasificación de plagas significativas de arroz basado en aprendizaje profundo
Autores: Li, Zhiyong; Jiang, Xueqin; Jia, Xinyu; Duan, Xuliang; Wang, Yuchao; Mu, Jiong
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Método de clasificación de plagas significativas de arroz basado en aprendizaje profundo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Plagas de arroz
Conjunto de datos
Identificación
Técnicas de aprendizaje profundo
Aprendizaje de transferencia
Clasificación de imágenes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Las plagas de arroz son uno de los principales factores que afectan el rendimiento del arroz. La identificación precisa de las plagas facilita la implementación oportuna de medidas preventivas para evitar pérdidas económicas. Algunos conjuntos de datos de código abierto existentes relacionados con la identificación de plagas de arroz incluyen principalmente solo un pequeño número de muestras, o sufren de desafíos de variabilidad interclase e intraclase y desequilibrio de datos, lo que limita la aplicación de técnicas de aprendizaje profundo en el campo de la identificación de plagas de arroz. En este documento, basándonos en el conjunto de datos IP102, primero reorganizamos un conjunto de datos a gran escala para la identificación de plagas de arroz mediante la técnica de rastreo web y selección manual. Este conjunto de datos fue denominado IP_RicePests. Específicamente, el conjunto de datos incluye 8248 imágenes pertenecientes a 14 categorías. Luego, el conjunto de datos IP_RicePests se amplió para incluir 14,000 imágenes a través de la técnica de aumento de datos ARGAN para abordar las dificultades en la obtención de grandes muestras de plagas de arroz. Finalmente, los parámetros entrenados en el conjunto de datos de imágenes públicas ImageNet utilizando las redes VGGNet, ResNet y MobileNet se utilizaron como los valores iniciales de la red de entrenamiento de datos objetivo para lograr la clasificación de imágenes en el campo de las plagas de arroz. Los resultados experimentales muestran que las tres redes de clasificación combinadas con el aprendizaje por transferencia tienen una buena precisión de reconocimiento, entre las cuales la mayor precisión de clasificación se puede obtener en el conjunto de datos IP_RicePests mediante el ajuste fino de los parámetros de la red VGG16. Además, siguiendo el aumento de datos ARGAN, el conjunto de datos demuestra mejoras de precisión en los tres modelos, y el ajuste fino de los parámetros de la red VGG16 obtiene la mayor precisión en el conjunto de datos IP_RicePests aumentado. Se demuestra que las CNN combinadas con el aprendizaje por transferencia pueden emplear la técnica de aumento de datos ARGAN para superar las dificultades en la obtención de tamaños de muestra grandes y mejorar la eficiencia de la identificación de plagas de arroz. Este estudio proporciona datos fundamentales y soporte técnico para la identificación de plagas de arroz.
Descripción
Las plagas de arroz son uno de los principales factores que afectan el rendimiento del arroz. La identificación precisa de las plagas facilita la implementación oportuna de medidas preventivas para evitar pérdidas económicas. Algunos conjuntos de datos de código abierto existentes relacionados con la identificación de plagas de arroz incluyen principalmente solo un pequeño número de muestras, o sufren de desafíos de variabilidad interclase e intraclase y desequilibrio de datos, lo que limita la aplicación de técnicas de aprendizaje profundo en el campo de la identificación de plagas de arroz. En este documento, basándonos en el conjunto de datos IP102, primero reorganizamos un conjunto de datos a gran escala para la identificación de plagas de arroz mediante la técnica de rastreo web y selección manual. Este conjunto de datos fue denominado IP_RicePests. Específicamente, el conjunto de datos incluye 8248 imágenes pertenecientes a 14 categorías. Luego, el conjunto de datos IP_RicePests se amplió para incluir 14,000 imágenes a través de la técnica de aumento de datos ARGAN para abordar las dificultades en la obtención de grandes muestras de plagas de arroz. Finalmente, los parámetros entrenados en el conjunto de datos de imágenes públicas ImageNet utilizando las redes VGGNet, ResNet y MobileNet se utilizaron como los valores iniciales de la red de entrenamiento de datos objetivo para lograr la clasificación de imágenes en el campo de las plagas de arroz. Los resultados experimentales muestran que las tres redes de clasificación combinadas con el aprendizaje por transferencia tienen una buena precisión de reconocimiento, entre las cuales la mayor precisión de clasificación se puede obtener en el conjunto de datos IP_RicePests mediante el ajuste fino de los parámetros de la red VGG16. Además, siguiendo el aumento de datos ARGAN, el conjunto de datos demuestra mejoras de precisión en los tres modelos, y el ajuste fino de los parámetros de la red VGG16 obtiene la mayor precisión en el conjunto de datos IP_RicePests aumentado. Se demuestra que las CNN combinadas con el aprendizaje por transferencia pueden emplear la técnica de aumento de datos ARGAN para superar las dificultades en la obtención de tamaños de muestra grandes y mejorar la eficiencia de la identificación de plagas de arroz. Este estudio proporciona datos fundamentales y soporte técnico para la identificación de plagas de arroz.