農(nóng)機(jī)大全網(wǎng)（www.digitalhomeuk.com）最新農(nóng)機(jī)信息：澳大利亞研發(fā)出人工智能識別害蟲，農(nóng)機(jī)新產(chǎn)品,二手農(nóng)機(jī),農(nóng)機(jī)補(bǔ)貼目錄,農(nóng)機(jī)價(jià)格查詢,農(nóng)機(jī)報(bào)價(jià)大全，更多農(nóng)機(jī)資訊請查看：農(nóng)機(jī)資訊

　　澳大利亞研發(fā)出人工智能識別害蟲

澳大利亞的西澳大利亞的科學(xué)家已經(jīng)訓(xùn)練出一種人工智能來識別害蟲，比技術(shù)領(lǐng)域的任何東西都要快，創(chuàng)造了一種世界一流的昆蟲探測器。

來自默多克大學(xué)和西澳政府的研究人員實(shí)現(xiàn)了72.1%的身份識別準(zhǔn)確率，擊敗了現(xiàn)有技術(shù)，同時(shí)實(shí)現(xiàn)了每秒63.8張圖像的快速檢測率。

他們使用了一個(gè)名為YOLOv3的機(jī)器學(xué)習(xí)平臺，這是一個(gè)作為一個(gè)有效而簡單的探測器的網(wǎng)絡(luò)，它可以學(xué)習(xí)識別不同大小的物體。研究人員在YOLOv3機(jī)器學(xué)習(xí)平臺上添加了識別昆蟲的功能。

他們增加了一個(gè)功能，允許探測器學(xué)習(xí)不同的空間元素。

“傳統(tǒng)上，通過目測和人工計(jì)數(shù)來獲得昆蟲種群的信息，”首席研究員和信息技術(shù)專家教授費(fèi)多斯·索赫爾說道，“然而，這些方法是勞動密集型，耗時(shí)和潛在的不一致，由于人為因素。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的快速發(fā)展，農(nóng)業(yè)昆蟲的自動檢測已經(jīng)成為可能。開發(fā)多種昆蟲檢測策略已經(jīng)成為害蟲管理的一個(gè)必不可少的部分?！?/p>

Sohel教授表示，該團(tuán)隊(duì)的目標(biāo)是利用增強(qiáng)型人工智能機(jī)器學(xué)習(xí)技術(shù)，現(xiàn)高性能農(nóng)業(yè)昆蟲探測器。

他們使用25878張昆蟲圖像的數(shù)據(jù)集開發(fā)了一種算法，這些昆蟲包括甲蟲、象鼻蟲和蛾。

研究人員記錄的平均準(zhǔn)確率為71.6%，然后，通過處理具有復(fù)雜背景的昆蟲圖像，他們將檢測準(zhǔn)確率進(jìn)一步提高了3%。

“從計(jì)算機(jī)算法的角度來看，昆蟲檢測圖像提出了一個(gè)問題，因?yàn)樗麄兪侨绱酥?。由于圖像中昆蟲的分辨率較小，以及遮擋（當(dāng)對象過于接近或重疊時(shí)）、噪聲和缺乏特征和紋理等其他干擾，因此在大型數(shù)據(jù)集中檢測微小對象具有挑戰(zhàn)性。"

實(shí)驗(yàn)結(jié)果表明，與其他最先進(jìn)的物體探測器相比，昆蟲探測精度有了明顯的提高.

此外，它們的開發(fā)對處理速度的影響很小。

“此外，它也適用于從大型多尺度農(nóng)業(yè)害蟲數(shù)據(jù)集的圖像中實(shí)時(shí)自動檢測昆蟲。”

有一些缺點(diǎn)。對于含有重疊小昆蟲的圖像，模型的性能較差。

此外，該機(jī)器難以識別顏色和形狀相似的昆蟲，而且大小和規(guī)模的差異導(dǎo)致數(shù)據(jù)集的不平衡，從而降低了準(zhǔn)確性?！霸谖磥?，我們計(jì)劃解決重疊的昆蟲，昆蟲具有高相似性和規(guī)模變化的檢測?！岸倚枰嗟难芯縼硖岣咴诰哂刑魬?zhàn)性的條件下檢測的準(zhǔn)確性?！?/p>