74、利用机器学习进行作物昆虫分类与检测的实用方法

利用机器学习进行作物昆虫分类与检测的实用方法

一、引言

在农业领域，自动识别危害作物的昆虫面临诸多挑战，如数据有限、数据量不均衡以及背景噪音等问题。为了提高性能，必须克服这些障碍。将基于多种拓扑结构（如EfficientNetB0、ResNet50、GoogleNet、ShuffleNet、tMobileNetv2和DenseNet201）的卷积神经网络（CNN）与各种Adam优化技术相结合，在害虫识别方面表现出色。

同时，还提出了两种基于Adam变体DGrad的新型Adam算法，用于深度网络优化，这些算法在学习率中包含一个缩放组件，应用于绝对差分项。在三个基准昆虫数据集上，对具有不同数据增强以确保多样性或不同类型Adam优化的CNN进行了训练，并使用三种评估指标来比较和评估融合效果。结果表明，由CNN集成和此处引入的其他变体组成的最佳集成在所有三项测试中均优于现有文献。

在农业中，物联网（IoT）和机器学习（ML）的结合带来了便利和创新，使全球农民能够改善他们的农业生产操作。然而，在印度，只有少数农民了解智能农业及其好处。研究表明，正确使用嵌入机器学习算法的物联网设备可以在作物生长的早期减轻农民的工作负担，从而避免作物质量下降。

二、文献综述

2.1 重要贡献

作者	贡献内容
Wu等人	解决了田间昆虫对农产品产量造成的问题，强调了拥有准确昆虫识别数据集的重要性，以采取及时的预防措施避免经济损失。他们收集了一