本文提出了LANTERN-RD数据集以及一种基于该数据集训练的CNN分类模型, 用于检测和识别入侵植物Spotted Lanternfly，此举对保护当地生态多样性和农业经济很有帮助。

May, 2022

本文综述了过去和当前在树皮甲虫致树木死亡早期检测方面的三个关键视角，即树皮甲虫和宿主相互作用、遥感和机器学习/深度学习，并着重讨论了当前的挑战和潜在的解决方案。

Oct, 2022

该论文提出了一种利用先进技术实现可持续棕榈树耕种的创新方法，该方法结合了计算机视觉、深度学习、物联网和地理空间数据等技术，以有效检测和分类红棕榈象侵染的棕榈树，并利用地理空间数据制作完整的分布图，为高效监控和有针对性的管理策略制定提供方便。

Jun, 2023

使用深度学习模型检测蚜虫簇集，我们提出了一种新的方法来估计感染水平。通过对多麦科田野捕捉的5,447张图像中的蚜虫集群进行手动选择并进行注释，我们构建了一个庞大的数据集。然后，我们在该数据集上实施和比较了四种最先进的目标检测模型（VFNet、GFLV2、PAA和ATSS）的性能。结果表明，所有模型在平均精度和召回率方面都表现出稳定的相似性能。我们进一步提出合并紧邻簇集和去除由裁剪引起的小簇集的方法，使性能进一步提升约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并将该标注数据集公开提供给研究界。

Aug, 2023

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

通过使用时间索引标签及适当大小的 RF，我们设计出了适用于紧凑低成本设备的小型 CNN 模型，实现了较好的分类性能。

Dec, 2023

本文提出了一种新颖的多模态深度学习框架，结合了tiny-BERT的自然语言处理和R-CNN以及ResNet-18的图像处理，以增强农业害虫检测。通过集成文本上下文进行更精确的害虫识别，该方法解决了传统基于CNN的视觉方法的局限性。R-CNN和ResNet-18的整合解决了深度CNN的问题，如梯度消失，而tiny-BERT确保了计算效率。通过线性回归和随机森林模型的集成学习，该框架展示了出色的判别能力，如ROC和AUC分析所示。将文本和图像数据融合的这种多模态方法显著提高了农业害虫检测的效果。研究突出了多模态深度学习在复杂的真实场景中的潜力，并建议在多样化的数据集、高级数据增强和跨模态关注机制方面扩展以提高模型性能。

Dec, 2023

通过JAI FS-1600D-10GE相机收集在实际环境中的红绿蓝近红外数据，并构建一个RGBN数据集，本研究提出了一种用于植物疾病检测的视觉机器学习方法。使用YOLOv8和顺序CNN的两阶段早期植物疾病检测模型在具有部分标签的数据集上进行训练，与单阶段端到端分割模型相比，mAP提高了3.6%。顺序CNN模型利用RGBN数据实现了90.62%的验证准确率。在分类方面，与使用ResNet15和顺序CNN模型的RGB相比，使用RGBN获得了平均6.25%的验证准确率提高。需要进一步的研究和数据集改进来满足粮食生产需求。

Feb, 2024

通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于ResNet152V2架构的卷积神经网络模型，实现了99%的训练准确率和97%的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

Jun, 2024

该研究针对昆虫害虫分类中的识别准确性问题，提出了DeWi这一新型学习辅助方法。通过一种单阶段的交替训练策略，DeWi在提高区分能力和泛化能力方面取得显著进展，最终在两个昆虫害虫分类基准上达到了最高的准确率，显示出其在农业领域应用的潜力。

Sep, 2024