22、基于深度学习的害虫检测与急性淋巴细胞白血病分类研究

基于深度学习的害虫检测与急性淋巴细胞白血病分类研究

在现代农业和医学领域，利用先进的技术进行害虫检测和疾病诊断变得越来越重要。本文将介绍基于YOLOv7模型的害虫检测方法以及基于随机森林分类器的急性淋巴细胞白血病检测方法。

1. 基于YOLOv7模型的害虫检测

1.1 相关研究对比

不同的深度学习模型在害虫检测中表现各异。Grewal等人研究中的R - CNN模型有较高的准确率，但深度学习模型的准确率会受数据集大小和质量、害虫种类复杂度以及模型训练参数等因素影响。Singh等人在《Detection of Tomato Pests Using Deep Learning》中提出用YOLOv3模型检测番茄害虫，该研究使用3000张番茄植株图像数据集，平均精度达96.5%，在检测番茄害虫上优于其他先进目标检测模型。与之相比，使用YOLOv7检测害虫的准确率为90%，不过通过在更大、更多样的数据集上进一步优化和评估，YOLOv7方法可能达到相似或更高的准确率。

1.2 数据集

研究使用从Roboflow网站获取的害虫数据集，包含以下害虫的图像：
| 害虫类别 | 图像数量 |
| ---- | ---- |
| 蚜虫（Aphids） | 502张 |
| 地老虎（Cutworm） | 505张 |
| 潜叶蝇（Leaf miners） | 489张 |
| 蛞蝓（Slug） | 508张 |
| 粉虱（Whiteflies） | 496张 |

数据集共有2500张图像，分为训练集、验证集和测试集。为增加数据集大小，采用了以下数据增强技术：
- 翻转（Fli