[论文解读] Unleashing the Power of Transfer Learning Model for Sophisticated Insect Detection: Revolutionizing Insect Classification

Md. Mahmudul Hasan, SM Shaqib+4 more|arXiv (Cornell University)|Jun 11, 2024

Smart Agriculture and AIAgricultural and Biological Sciences被引用 3

一句话总结

本研究提出了一种基于迁移学习的昆虫检测系统，采用深度卷积神经网络（CNN），其中ResNet152V2在昆虫分类任务中实现了97%的测试准确率。通过利用在图像数据集上预训练的模型，并在自定义昆虫数据集上进行微调，该系统实现了高精度、实时的检测，适用于作物和植物健康监测，显著提升了农业领域中害虫的早期识别能力。

ABSTRACT

The purpose of the Insect Detection System for Crop and Plant Health is to keep an eye out for and identify insect infestations in farming areas. By utilizing cutting-edge technology like computer vision and machine learning, the system seeks to identify hazardous insects early and accurately. This would enable prompt response to save crops and maintain optimal plant health. The Method of this study includes Data Acquisition, Preprocessing, Data splitting, Model Implementation and Model evaluation. Different models like MobileNetV2, ResNet152V2, Xecption, Custom CNN was used in this study. In order to categorize insect photos, a Convolutional Neural Network (CNN) based on the ResNet152V2 architecture is constructed and evaluated in this work. Achieving 99% training accuracy and 97% testing accuracy, ResNet152V2 demonstrates superior performance among four implemented models. The results highlight its potential for real-world applications in insect classification and entomology studies, emphasizing efficiency and accuracy. To ensure food security and sustain agricultural output globally, finding insects is crucial. Cutting-edge technology, such as ResNet152V2 models, greatly influence automating and improving the accuracy of insect identification. Efficient insect detection not only minimizes crop losses but also enhances agricultural productivity, contributing to sustainable food production. This underscores the pivotal role of technology in addressing challenges related to global food security.

研究动机与目标

• 开发一种高精度、自动化的昆虫检测系统，用于农业环境中害虫侵染的早期识别。
• 评估多种迁移学习模型（包括MobileNetV2、ResNet152V2、Xception和自定义CNN）在昆虫图像分类任务中的性能表现。
• 证明利用深度学习结合迁移学习在昆虫学与作物健康监测等实际农业应用中的可行性。
• 通过实现害虫的早期且精准检测，减少作物损失，为全球粮食安全作出贡献。

提出的方法

• 从多样化的农业来源获取数据，构建全面的昆虫图像数据集。
• 执行图像预处理步骤，包括调整大小、归一化和数据增强，以提升模型的泛化能力。
• 将数据集划分为训练集（80%）和测试集（20%），以确保评估的无偏性。
• 采用预训练模型（ResNet152V2、MobileNetV2、Xception和自定义CNN）实施迁移学习，并在昆虫数据集上进行微调。
• 使用随机梯度下降优化，结合分类交叉熵损失函数，并采用早停策略以防止过拟合。
• 通过测试集上的准确率、精确率、召回率和F1分数对模型性能进行评估。

实验结果

研究问题

• RQ1 哪种迁移学习模型在从农业图像中分类昆虫物种时达到最高准确率？
• RQ2 与从零开始训练相比，迁移学习在小样本或专业化的昆虫数据集上如何提升性能？
• RQ3 ResNet152V2是否能在昆虫检测任务中超越其他先进的模型架构？
• RQ4 数据增强和预处理在多大程度上提升了昆虫分类任务中模型的泛化能力？

主要发现

• ResNet152V2在训练集上达到99%的准确率，在测试集上达到97%的准确率，优于MobileNetV2、Xception和自定义CNN。
• 97%的高测试准确率表明模型在真实场景中对未见过的昆虫图像具有出色的泛化能力和鲁棒性。
• 迁移学习显著提升了在有限昆虫数据集上的模型性能，减少了训练时间与数据需求。
• 结果证实，像ResNet152V2这样的预训练模型在细粒度昆虫分类任务中极为有效。
• 该系统在精准农业中部署以实现早期害虫检测和作物保护方面展现出巨大潜力。