RESUMO O arroz é uma cultura de segurança alimentar em mais de 150 países e um terço da alimentação da humanidade depende do cultivo de arroz livre de pragas, e as pragas frequentemente aumentam o nível de pobreza dos agricultores. Um dos principais objetivos desta pesquisa é testar a eficácia da inteligência artificial, como aprendizagem profunda e aprendizagem de máquina, para classificação automática das pragas de arroz. Dentre as diversas variedades de pragas encontradas nos campos de arroz de Bangladesh, seis principais pragas de arroz foram selecionadas para esta pesquisa. A inspeção manual e os métodos convencionais de aprendizagem de máquina, os dois principais elementos na maioria dos sistemas de identificação de pragas existentes, são inviáveis devido à escalabilidade e práticas imprecisas sob os diferentes ambientes de campo em que estão operando. Além disso, essas desvantagens são tratadas neste trabalho desenvolvendo e analisando modelos tradicionais em comparação com conceitos de aprendizagem profunda. Está evidenciado que alguns modelos como VGG16, ResNet50, MobileNet, Inception-v3 e uma rede neural convolucional (CNN) personalizada estão provando ser melhores do que os modelos convencionais de aprendizagem de máquina. Com 99,46% de precisão, o modelo CNN personalizado superou os outros modelos no mesmo algoritmo. Enquanto que os modelos k-NN (média k-vizinhos mais próximos), máquina de vetor de suporte, Árvore de Decisão e Floresta Aleatória resultaram em 92,22%, 94,81%, 93,33% e 97,41% de precisão, respectivamente. Os modelos de aprendizagem profunda classificam as pragas com base em características visuais como forma, cor e textura, e utilizaram tanto imagens em tempo real quanto ampliadas. A aprendizagem profunda serviu como uma prioridade de autoavaliação sobre a aprendizagem de máquina convencional. Portanto, o modelo CNN personalizado é proposto e sua eficiência é medida em termos de precisão, revocação e F1-score.
Islam et al. (Qui,) estudaram esta questão.