Development of a YOLOv11-Based Deep Learning System for Insect Pest Detection and Classification in Oil Palm Plantation
Notice bibliographique
Résumé
Pest diseases are serious global agricultural issues that lead to lower crop yields, increased cost of production and excessive pesticide use. Traditional methods of identifying pest infestation (e.g., using field scouting methods) rely on intensive labor, human time, and human errors, thus making them impractical for large-scale and sustainable farming. This project is a structured deep learning-based system for automatically identifying pest diseases and pests through image identification. The system is developed using the YOLOv11 state-of-the-art model for object identification and has been trained on a custom-dataset from the objects of three pest species - bagworms, aphids, and whiteflies. The images representing each pest were pre-processed and augmented in order to equalize data and optimal modeling performance. The experimental evaluation of the trained model archieved a precision of 0.88, recall of 0.80, and mAP@0.5 of 0.85, outperforming conventional detection methods and demonstrating strong reliability even with imbalanced classes., thus demonstrating the proposed system is viable for use in real-world agricultural environment. The proposed system can provide an intervention to pest infestation enabling early and timely diagnoses of pest infestation, which in turn may help reduce over-use of pesticides, and contribute to more targeted use of pesticides and sustainable farming practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».