農(nóng)機(jī)大全網(wǎng)（m.97661a.com）最新農(nóng)機(jī)信息：澳大利亞研發(fā)出人工智能識(shí)別害蟲(chóng)，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(xún),農(nóng)機(jī)報(bào)價(jià)大全，更多農(nóng)機(jī)資訊請(qǐng)查看：農(nóng)機(jī)資訊

　　澳大利亞研發(fā)出人工智能識(shí)別害蟲(chóng)

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(lái)識(shí)別害蟲(chóng)，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(chóng)探測(cè)器。

來(lái)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(shí)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(cè)率。

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

他們?cè)黾恿艘粋€(gè)功能，允許探測(cè)器學(xué)習(xí)不同的空間元素。

“傳統(tǒng)上，通過(guò)目測(cè)和人工計(jì)數(shù)來(lái)獲得昆蟲(chóng)種群的信息，”首席研究員和信息技術(shù)專(zhuān)家教授費(fèi)多斯·索赫爾說(shuō)道，“然而，這些方法是勞動(dòng)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(chóng)的自動(dòng)檢測(cè)已經(jīng)成為可能。開(kāi)發(fā)多種昆蟲(chóng)檢測(cè)策略已經(jīng)成為害蟲(chóng)管理的一個(gè)必不可少的部分。”

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(chóng)探測(cè)器。

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

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

“從計(jì)算機(jī)算法的角度來(lái)看，昆蟲(chóng)檢測(cè)圖像提出了一個(gè)問(wèn)題，因?yàn)樗麄兪侨绱酥　Ｓ捎趫D像中昆蟲(chóng)的分辨率較小，以及遮擋（當(dāng)對(duì)象過(guò)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(cè)微小對(duì)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(cè)器相比，昆蟲(chóng)探測(cè)精度有了明顯的提高.

此外，它們的開(kāi)發(fā)對(duì)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(chóng)數(shù)據(jù)集的圖像中實(shí)時(shí)自動(dòng)檢測(cè)昆蟲(chóng)。”

有一些缺點(diǎn)。對(duì)于含有重疊小昆蟲(chóng)的圖像，模型的性能較差。

此外，該機(jī)器難以識(shí)別顏色和形狀相似的昆蟲(chóng)，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。“在未來(lái)，我們計(jì)劃解決重疊的昆蟲(chóng)，昆蟲(chóng)具有高相似性和規(guī)模變化的檢測(cè)?！岸倚枰嗟难芯縼?lái)提高在具有挑戰(zhàn)性的條件下檢測(cè)的準(zhǔn)確性?！?/p>