Key points are not available for this paper at this time.
O uso de tecnologias digitais para detectar, posicionar e quantificar pragas de forma rápida e precisa é muito importante na agricultura de precisão. A aquisição de imagens utilizando drones aéreos em combinação com a técnica de aprendizagem profunda é uma nova e viável solução para substituir o trabalho humano, como a interpretação visual, que consome muito tempo e esforço. Neste estudo, desenvolvemos um método para detectar automaticamente uma praga importante do milho—Spodoptera frugiperda—por seus buracos de roedura nas folhas de milho com base em redes neurais convolucionais. Validamos o mecanismo de atenção dividida na estrutura de rede clássica ResNet50, que melhora a precisão e robustez, e verificamos a viabilidade de dois tipos de buracos de roedura como características de identificação da invasão de Spodoptera frugiperda e seu grau. Para verificar a robustez deste método de detecção em relação às alterações morfológicas das plantas, imagens na fase de jointing e na fase de heading foram usadas para treinamento e teste, respectivamente. O desempenho dos modelos treinados com as imagens da fase de jointing alcançou a precisão de validação do ResNeSt50, ResNet50, EfficientNet e RegNet em 98,77%, 97,59%, 97,89% e 98,07%, com uma precisão de teste na fase de heading de 89,39%, 81,88%, 86,21% e 84,21%.
Feng et al. (Quarta,) estudaram esta questão.