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。

Apr, 2024

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

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

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

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

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

本文介绍了一种综合方法，利用 MosquitoFusion 多类别数据集和先进的计算机视觉技术实现实时蚊虫检测，并通过预训练的 YOLOv8 模型和地理信息系统 (GIS) 的集成分析，提供了有关空间模式的宝贵见解。

Apr, 2024

智慧农业和精确农业是高效和可持续农业的革命性技术，该研究提出了一种新的垂直集成解决方案，利用微型无人机作为智能传感器来检测农作物的有害虫，运行深度学习模型以轻量级和准确的方式进行虫害检测。

Apr, 2024

本文介绍了一个基于运动信息增量的方法管道，用于在大型、彩色、时间间隔的野外图像数据集中检测昆虫，该方法提高了两个卷积神经网络（YOLO，Faster R-CNN）的检测效率，并发布了一个包含 100,000 个标注昆虫图像的图像数据集。

Dec, 2022

通过引入一种名为 “Insect-1M” 的新型数据集，本研究旨在为虫类相关的基础模型训练提供资源，并通过微特征自监督学习方法和相关注意机制来提高昆虫图像建模效果，通过介绍一种描述一致性损失来改善微特征建模，从而在昆虫相关任务的标准基准上实现了最先进的性能，为下一代虫类相关视觉模型赋能，将其功能更接近于精准农业的终极目标。

Nov, 2023