Pipeline to detect Colorado Potato Beetles as tiny objects under field conditions in real-time using deep learning and transfer learning techniques
Notice bibliographique
Résumé
This study introduced a novel methodology for real-time identifying Colorado Potato Beetle (CPB), as tiny objects within potato field using cameras mounted on moving sprayer. The methodology consisted of three key steps: targeted image-cropping-based preprocessing, a two-phase transfer learning strategy, and developing an end-to-end detection pipeline system. The image-cropping-based preprocessing step helped preserve the shape and dimension of CPBs during processing by deep learning algorithms, thereby contributing to improved accuracy across the entire detection pipeline. In the two-phase transfer learning approach, the first phase involved training on clear, high-quality focused images, while the second phase fine-tuned the models using field images captured by a camera mounted on a moving sprayer. This approach significantly enhanced the model's robustness to environmental variability, including motion blur. The study compared the performance of three state-of-the-art object detection algorithms, including YOLOv5, YOLOv7, and Faster-RCNN. Thus, the findings from the experiments showed that the image-cropping-based preprocessing approach, when employed in conjunction with transfer learning, substantially increased the detection rates for all studied models. Among all models YOLOv5 emerged as the best choice, offering the best balance between detection accuracy and computational efficiency. At an image size of 640 × 640, YOLOv5 achieved up to 79% detection accuracy and consistently outperformed others in terms of inference time, processing a single image segment (640 × 640) in just 42 milliseconds enabling real-time performance. Further optimization using Tensor-RT reduced the pipeline’s end-to-end latency to 86 milliseconds per HD image (1920 × 1080), facilitating operation at over 10 frames per second. This research enhances the growing use of deep learning and computer vision in agricultural pest control. The results could be valuable for improving site-specific pesticide applications, benefiting farmers, and protecting the environment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 ».