Apr, 2024

昆虫分类的低成本机器视觉

PDF
TL;DR在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。
insectsenvironmental sustainabilityautomatized monitoringimage dataentomological classification
发现论文，激发创造
  • 发挥迁移学习模型的力量进行复杂昆虫检测：革新昆虫分类

    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

  • 多传感器数据融合用于自动化昆虫监测 (KInsecta)

    通过多传感器、基于人工智能的数据融合方法，本文提出了一种低成本配置的昆虫分类系统，可用于系统性监测昆虫种群、支持生物多样性与农业研究。

    Apr, 2024

  • 一种用于相机陷阱图像物种识别和计数的深度主动学习系统

    本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。

    Oct, 2019

  • 基于众包昆虫图像的细粒度分类的计算机视觉算法性能

    细粒度分类、物种识别、计算机视觉、深度卷积网络和视觉转换器是本论文的关键词。通过对 9 种算法进行详细评估，论文提供了对昆虫中的细粒度任务解决程度的全面理解，其中视觉转换器在推理速度和计算成本方面表现最佳，而局部性视觉转换器在性能和嵌入质量方面超过其他算法，而卷积神经网络则在指标上具有折中性。

    Apr, 2024

  • 自动昆虫监测的机器学习流程

    通过相机陷阱监测昆虫，包括目标检测、飞蛾和非飞蛾的分类、详细识别昆虫物种和个体跟踪，为昆虫学提供了可扩展的数据采集工具。

    Jun, 2024

  • 深度学习实时识别公民科学数据中的昆虫

    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

  • 基于光电相机的夜间昆虫自动视觉监测

    自动相机协助监测昆虫数量是理解和对抗昆虫减少的关键，本文介绍了两个在中欧拍摄的夜间昆虫数据集，强调了特别是鳞翅目的飞蛾。研究利用这些数据集开发和评估了一个昆虫检测和飞蛾种类分类的工具，并且提出了一个用于自动化视觉监测的原型系统。该论文同时为这些数据集提供了第一批检测和分类的基线，并鼓励其他科学家使用这些公开可用的数据。

    Jul, 2023

  • 自动视觉蛾类监测的深度学习流水线：昆虫定位与物种分类

    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

  • 野外昆虫识别：AMI 数据集

    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

  • 利用深度学习在相机陷阱图像中自动识别、统计和描述野生动物

    野生动物种类的自动识别与行为分析是野外生态研究和动物保护的重要技术之一。该研究利用深度卷积神经网络技术，对 320 万张 “快照大草原” 数据集中涵盖的 48 种动物进行识别、计数、行为描述分析，自动提取数据并有效地提高数据分析的效率。

    Mar, 2017