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

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

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

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

本研究利用 8 种马铃薯害虫的数据为基础，通过使用 5 种预训练转移学习模型，利用数据增强、正则化技术和随机搜索优化方法，提出了一个名为 PotatoPestNet 的 AI 马铃薯害虫识别系统，实现高精确度的害虫分类识别，并通过定量评估和可视化检验了模型的可靠性和鲁棒性。其中，自定义优化过的 InceptionV3 模型表现最佳，其准确率、精度、召回率和 F1-Score 均达到 91％。

May, 2023

本研究介绍了视觉变换器在 Aedes 和 Culex 幼虫图像分类中的应用，并比较了两个 ViT 模型、两个 CNN 模型的效果，最终发现 ConvNeXT 对于蚊虫幼虫分类非常有效，未来的研究方向包括将 CNN 和 Transformer 架构相结合创建专门用于蚊虫幼虫分类的模型。

Sep, 2022

该研究提出了一种基于高性能和强韧的迁移学习（TL）的 JutePestDetect 模型，用于在早期阶段识别黄麻害虫，并通过评估不同模型的性能来确定该方法的有效性。

May, 2023

本研究基于卷积神经网络 (CNN) 引入一种新颖的植物病害检测模型，用于植物图像分类，对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别，提出了一种新颖的植物病害识别技术。实验结果表明，Xception 模型优于其他三个模型，在番茄数据集和玉米数据集上分别获得了 95.08% 和 92.21% 的准确率，对应的损失函数值分别为 0.3108 和 0.4204。CNN 结合批归一化实现了大约 99.89% 的训练集病害检测率和超过 97.52% 的验证准确率，伴随着 0.103 的验证损失。在模型的基础上引入额外层、跳跃连接和正则化，分别对应实验 2、实验 3 和实验 4 的 CNN 架构。综合应用各种模型，包括 MobileNet、EfficientNetB0、Xception、InceptionResNetV2 和 CNN，实现了对所有玉米和番茄图像的检测，其中模型的验证准确率为 84.42%。

Dec, 2023

通过整合状态空间模型（SSMs）、卷积神经网络（CNNs）、多头自注意机制（MSA）和多层感知机（MLPs）在 Mix-SSM 块中的方法，我们引入了 InsectMamba，这个创新方法促进了对综合视觉特征的提取，以及利用选择性模块，增强了识别害虫特征的能力。对 InsectMamba 在五个昆虫害虫分类数据集上的评估结果表明其性能优异，并通过消融研究验证了每个模型组件的重要性。

Apr, 2024

自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

Nov, 2023