农民在农产品产量期间面临的最大挑战之一是与昆虫害虫的斗争。为了解决这个问题并避免经济损失，需要及时采取预防措施，而这需要以简单而有效的方式鉴别昆虫害虫。本文对主要基于名为 IP102 的健壮数据集的迁移学习与微调，注意力机制和自定义架构等不同方法进行了广泛的实验，并展示了另一个数据集 D0 的示例来展示我们实验技术的健壮性。

Oct, 2023

昆虫多样性丧失影响生态系统和农业，对昆虫研究提出了大规模机器学习和数据增强等解决方案。

Jun, 2024

利用 YOLOv5m 和低分辨率多光谱图像成功检测和定位了玉米田中自发棉苗的生长状态，进而开发了一种基于自主机系统 (Unmanned Aircraft Systems) 的喷雾应用，用于有效管理棉铃虫害。

Jul, 2022

本文介绍了使用无人机搜集的三波段航空图像使用 YOLOv3 检测玉米田中的志愿棉植物，结果发现经过训练的 YOLOv3 模型可用于计算机视觉驱动的航空应用系统 (RPAAS) 实现志愿棉植物的检测和喷涂，具备实时性。

Jul, 2022

应用基于 YOLOv5 版本 5 的计算机视觉算法和无人机遥感图像检测，发现在玉米田中生长的自然棉单株（VC）植物，如在季节作物轮作期间岁末遗留的种子可以成长为 VC 植物，它们可以成为棉铃虫害的寄主。研究表明，该算法可以有效检测和定位生长在玉米地中的 VC 植物，加快棉铃虫消除计划管理方面的进展。

Jul, 2022

研究针对农业领域中小麦和高粱田间的蚜虫危害以及植物病毒传播所导致的大量减产问题，提出了研发一种智能自主系统的紧迫性，该系统能够在复杂农作物冠层中定位和喷洒蚜虫，减少农药使用和环境影响。通过收集和标记了大量的蚜虫图像数据集，并提出使用实时语义分割模型来分割蚜虫簇群。生成了一个多尺度数据集，以便在不同尺度上学习这些簇群。通过将四种最新的实时语义分割模型与非实时模型进行比较，对蚜虫簇群数据集的分割速度和准确性进行了评估。研究结果表明了实时解决方案的有效性，可以减少农药的低效使用，增加农作物产量，为自主的害虫检测系统铺平道路。

Jul, 2023

该研究以孟加拉国稻田为基础，收集了包括棕斑病、叶片鳞状病、稻瘟病、水稻转锈病和隐性病在内的五种有害稻病的数据集，其中包括来自田间背景和白色背景的照片，可用于稻叶病分类及计算机视觉与图案识别中的疾病检测。

Sep, 2023

本文旨在探索计算机视觉方法用于大规模、早期检测植物疾病的可能性，并介绍了一个用于视觉植物疾病检测的数据集 PlantDoc，其中包括 2598 个来自 13 个植物物种、17 个疾病类别的数据点，学习 3 个模型来分类植物疾病，结果表明使用我们的数据集可以将分类精度提高 31％。

Nov, 2019

提供了一个深度学习方法的昆虫监测系统，通过定位和分类识别图像中的蛾子个体来改善物种识别准确率。

Jul, 2023

提出一种深度学习模型 InsectNet，以应对昆虫识别在实际环境下的挑战，并能准确识别超过 2500 种节肢动物物种，包括有害害虫、寄生虫、食草动物和掠食动物，并可指导公民科学数据收集。

Jun, 2023