Image-based recognition using advanced neural networks can aid surveillance of Agrilus jewel beetles
Notice bibliographique
Résumé
The genus Agrilus includes two species, Agrilus planipennis and A. anxius , that are of particular phytosanitary concern and that are regulated by the European Union legislation. This implies that phytosanitary agencies of all EU countries are obliged to establish specific surveillance programs to verify the absence of these species from their territory. These activities commonly consist of the use of green-colored traps, which are however attractive not only for A. planipennis and A. anxius, but also for a wide range of other Agrilus species. For this reason, much time and expertise is required to sort and identify specimens to species, impeding an efficient rapid response. In this study, we tested the efficacy of the Entomoscope, a low-cost, open-source photomicroscope that uses high-resolution digital imaging and allows a pre-trained Convolutional Neural Networks (CNN) model to accurately detect, image and classify insect specimens, for automatic identification of 13 Agrilus species, including A. planipennis and A. anxius . We benchmarked models from three different CNN architectures and selected YOLOv8l as the most robust performer; this model achieved a Top-1 accuracy of 90.2% on a “real-world” test set (i.e. a dataset simulating real surveillance conditions). For most species, including A. planipennis and A. anxius , either no errors or only a few errors were made, whereas for a few native species misidentifications were more common. These results provided proof of concept for an AI-driven surveillance system that can strongly aid in surveillance activities of Agrilus species.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».