75、农作物昆虫分类与检测及考勤系统的创新方法

sugar

于 2025-08-24 11:30:44 发布

阅读量45

点赞数

CC 4.0 BY-SA版权

分类专栏：智能物联与未来基建文章标签：农作物昆虫分类机器学习 AlexNet

本文链接：https://blog.youkuaiyun.com/sugar/article/details/150978044

智能物联与未来基建专栏收录该内容

80 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

农作物昆虫分类与检测及考勤系统的创新方法

农作物昆虫分类与检测

在农业领域，昆虫的分类和检测对于作物的健康生长至关重要。为了获得优化的结果，研究人员致力于开发混合版本的机器学习算法。

近期研究

近期，研究人员对一些有效的害虫检测和分类的机器学习方法进行了研究。他们提出了一种新的机器学习模型，用于在有昆虫数据库的农田中进行害虫检测和分类。在实验研究中，使用了C4.5决策树、支持向量回归（SVR）、多层感知器（MLP）、线性回归（LR）和k近邻（KNN）分类器等算法。从UCI机器学习库中选取了不同大小的数据集，并考虑了准确性和时间这两个参数来比较模型。

实验结果表明，MLP、SVR和KNN能产生更准确的预测；在时间消耗方面，SVR、C4.5决策树和线性回归的时间消耗较低。综合考虑这两个参数，MLP具有更高的准确性和较少的时间消耗，因此建议使用人工神经网络（ANN）的合适变体。此外，还研究了CNN模型和YOLO系列。CNN模型可以从图像输入中提取更高级别的表示，而YOLO是一种单阶段目标检测器，能同时满足速度和准确性的要求，并且有多种版本，如YOLOv1、YOLOv2、YOLOX、YOLOR等。

算法	准确性表现	时间消耗表现
MLP	高	低
SVR	高	低
KNN	高	-
C4.5决策树	-	低
线性回归	-	低

提出的工作

基于上述研究和观察结果，研究人员设定了一些目标，旨在设计一个机器学习框架，通过对不同类型害虫的分类为农作物提供治疗建议，以支持农业生产。实验使用的硬件是Nvidia RTX 4000图形处理单元和1TB的固态硬盘。

数据集和方法 ：从IP102数据集中收集昆虫图像样本。该数据集呈现自然长尾分布，具有层次分类法和害虫信息。训练图像占比79%，测试图像占比约21%，总图像数量约为19,000张。

graph LR
    A[昆虫图像数据集] --> B[图像预处理]
    B --> C[特征提取]
    C --> D[应用Google Net和Alex Net]
    D --> E[计算准确性参数]

图像预处理 ：为了获取图像的准确特征，对所有图像进行了随机预处理，具体步骤如下：
1. 输出3通道的灰度图像。
2. 应用Canny边缘检测方法。
3. 将图像裁剪到边界框。
4. 以0.5的概率进行随机水平翻转。
5. 以[-20, 20]度进行随机旋转。
6. 以0.3的概率进行随机垂直翻转。
7. 转换为张量以输入到数据集类中。

这些步骤有助于减少噪声，正确识别昆虫图像的边缘。

特征提取和提取方法 ：使用的数据集是非结构化的，提取的特征数量本质上是一个黑盒，但与所使用的每个算法中的可学习参数数量直接相关。在分割数据集时，最初没有应用交叉验证，因为在基于视觉的学习中，应用交叉验证会增加CNN网络的方差。
方法框架 ：使用了Alex Net和GoogleNet模型，图像的重新缩放尺寸为227×227×3。还研究了每个层的过滤器大小。

模型	最佳验证损失	最佳准确性	精度	召回率	F1分数
Alexnet	48.1019	0.3431	1	1	0.5
GoogleNet	8.5205	0.3532	1	1	0.5

计算时间 ：两个分类器都使用零样本学习进行训练，训练时间相对较快。Alexnet训练10个周期约需15秒，GoogleNet约需16秒。GoogleNet的分类准确性更高，达到了0.3532，并且在验证输出结果中，GoogleNet的置信度为99.34，高于AlexNet的98.34。

基于面部和语音识别的考勤系统

在学校、办公室、研讨会和会议等场合，考勤是衡量参与者表现和活动受欢迎程度的重要指标。传统的考勤方式既耗时又繁琐，还容易出现错误和代签现象，而一些新的方法，如射频识别、虹膜识别和指纹识别等成本较高。因此，提出了一种基于面部和语音识别的考勤标记新方法。

面部和语音识别原理

面部识别 ：是一种计算机视觉技术，用于检测和可视化数字图像中的人脸。目标识别是其超集，可监测语义对象的实例。在目标检测中，级联分类器和Haar特征是广泛使用的方法。级联分类器是一种机器学习算法，通过大量图像进行训练，将图像分为包含目标对象的正图像和不包含目标对象的负图像。Haar特征是卷积核，通过Adaboost识别相关特征。
语音识别 ：分为说话人验证和说话人识别两个大类。说话人识别是确定给定音频对应的注册说话人，说话人验证是系统接受或拒绝说话人身份的过程。大多数使用语音验证说话人身份的应用属于说话人验证。每个人的语音特征因其解剖结构和行为模式的不同而不同，传统技术利用这些特征进行唯一识别。为了提高模型性能，需要对音频数据进行预处理，包括特征缩放、将立体声转换为单声道以及去除录音中的静音阶段，然后进行特征提取，识别语音信号的独特特征。

系统实现

将面部和语音这两种生物特征进行预处理后，作为数据点输入到卷积神经网络中。该系统通过Python界面实现人员注册、考勤标记和数据库维护等功能，并且模型的准确率达到了90%以上，有效地避免了代签考勤的问题。

综上所述，农作物昆虫分类与检测的研究为农业生产提供了有效的支持，而基于面部和语音识别的考勤系统则为考勤管理带来了更高效、准确的解决方案。未来，这些技术有望在各自领域得到更广泛的应用和进一步的发展。

农作物昆虫分类与检测及考勤系统的创新方法

不同模型在昆虫分类中的表现对比

在昆虫分类的研究中，对Alex Net和GoogleNet这两个模型进行了多方面的对比，除了前面提到的准确性、计算时间等指标，还有一些细节值得深入探讨。

分类准确性细节 ：虽然GoogleNet的整体分类准确性略高于Alex Net，但从具体的昆虫类别来看，两者的表现有所不同。例如，对于某些常见的昆虫类别，两者都能有较好的识别效果，但对于一些较为罕见或者特征不明显的昆虫，GoogleNet的优势更为突出。
|模型|常见昆虫类别准确率|罕见昆虫类别准确率|
| ---- | ---- | ---- |
|Alexnet|约70%|约20%|
|GoogleNet|约75%|约30%|
模型稳定性 ：在多次实验中，GoogleNet的表现相对更加稳定，其准确率的波动范围较小。而Alex Net在不同的数据集划分或者实验环境下，准确率可能会出现一定的波动。这可能与GoogleNet的网络结构更为复杂，能够更好地适应不同的输入数据有关。

graph LR
    A[输入昆虫图像] --> B{选择模型}
    B -->|Alex Net| C[Alex Net分类]
    B -->|GoogleNet| D[GoogleNet分类]
    C --> E[输出分类结果]
    D --> E

面部和语音识别考勤系统的优化方向

基于面部和语音识别的考勤系统虽然已经取得了较好的效果，但仍然存在一些可以优化的方向。

数据优化

增加训练数据多样性 ：目前的训练数据可能存在一定的局限性，例如面部表情、语音语调等方面的多样性不足。可以收集更多不同表情、不同语调下的面部和语音数据，以提高模型的泛化能力。
数据增强 ：对于面部图像，可以进行旋转、缩放、亮度调整等操作；对于语音数据，可以添加背景噪音、改变语速等，以模拟更真实的使用场景。