Một hướng tiếp cận phân loại côn trùng sử dụng mô hình học sâu YOLO
,
và
*
Article Sidebar
Full Text: 
PDF
Abstract
Accurate insect classification is a key factor in pest management and crop protection. This study proposes an insect classification method using the YOLOv11 deep learning model, which features architectural and performance improvements. Two datasets are used: IP102 and PEST204, with PEST204 being an extended version of IP102 that includes more species and enhanced image quality. Variants of YOLOv11 are applied in combination with transfer learning and data augmentation to improve accuracy. The models are evaluated using metrics such as accuracy, processing time, and computational resource usage. Results showed that YOLO11x-cls achieves the highest accuracy, while YOLO11n-cls and YOLO11s-cls demonstrate potential for deployment on mobile devices due to their good performance and fast inference speed. Additionally, the Eigen-CAM technique is used to visualize important image regions, enhancing model interpretability. The findings confirm the effectiveness of YOLOv11 in insect classification, contributing to the development of intelligent agricultural systems.
Tóm tắt
Phân loại côn trùng chính xác là yếu tố quan trọng trong quản lý sâu bệnh và bảo vệ cây trồng. Nghiên cứu này đề xuất một phương pháp phân loại côn trùng sử dụng mô hình học sâu YOLOv11 với các cải tiến về kiến trúc và hiệu suất. Hai tập dữ liệu được sử dụng là IP102 và PEST204, trong đó PEST204 là phiên bản mở rộng từ IP102 với số lượng loài và chất lượng hình ảnh được cải thiện. Các biến thể của YOLOv11 được áp dụng kết hợp với học chuyển tiếp và tăng cường dữ liệu nhằm nâng cao độ chính xác. Mô hình được đánh giá qua các chỉ số như độ chính xác, thời gian xử lý và tài nguyên tính toán. Kết quả cho thấy YOLO11x-cls đạt độ chính xác cao nhất, trong khi YOLO11n-cls và YOLO11s-cls thể hiện tiềm năng triển khai trên thiết bị di động nhờ hiệu suất tốt và tốc độ nhanh. Ngoài ra, kỹ thuật Eigen-CAM được sử dụng để trực quan hóa vùng ảnh quan trọng, giúp tăng khả năng diễn giải mô hình. Kết quả cho thấy hiệu quả của YOLOv11 trong phân loại côn trùng, đóng góp vào phát triển hệ thống nông nghiệp thông minh.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Ahmed, S., Hasan, M. B., Ahmed, T., Sony, M. R. K., & Kabir, M. H. (2022). Less is more: Lighter and faster deep neural architecture for tomato leaf disease classification. IEEE Access, 10, 68868-68884.
https://doi.org/10.1109/ACCESS.2022.3187203
Al-Hiary, H., Bani-Ahmad, S., Reyalat, M., Braik, M., & Alrahamneh, Z. (2011). Fast and accurate detection and classification of plant diseases. International journal of computer applications, 17(1), 31-38.
https://doi.org/10.5120/2183-2754
Almryad, A. S., & Kutucu, H. (2020). Automatic identification for field butterflies by convolutional neural networks. Engineering Science and Technology, an International Journal, 23(1), 189-195.
https://doi.org/10.1016/j.jestch.2020.01.006
Chithambarathanu, M., & Jeyakumar, M. K. (2023). Survey on crop pest detection using deep learning and machine learning approaches. Multimedia Tools and Applications, 82(27), 42277-42310.
https://doi.org/10.1007/s11042-023-15221-3
Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L. (2009). Imagenet: A largescale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248-255).
https://doi.org/10.1109/CVPR.2009.5206848
Doan, T. N. (2022). An efficient system for real-time mobile smart device-based insect detection. International Journal of Advanced Computer Science and Applications, 13(6).
https://doi.org/10.14569/IJACSA.2022.0130605
Doan, T. N. (2023). Large-scale insect pest image classification. Journal of Advances in Information Technology, 14(2), 328-341.
https://doi.org/10.12720/jait.14.2.328-341
Estruch, J. J., Carozzi, N. B., Desai, N., Duck, N. B., Warren, G. W., & Koziel, M.G. (1997). Transgenic plants: an emerging approach to pest control. Nature biotechnology, 15(2), 137-141.
https://doi.org/10.1038/nbt0297-137
Hansen, O.L., Svenning, J.C., Olsen, K., Dupont, S., Garner, B.H., Iosifidis, A., Price, B.W. and Høye, T.T.. (2020). Species-level image classification with convolutional neural network enables insect identification from habitus images. Ecology and Evolution, 10(2), 737-747.
https://doi.org/10.1002/ece3.5921
.
https://doi.org/10.1016/j.icte.2020.04.010
Kirkeby, C., Rydhmer, K., Cook, S.M., Strand, A., Torrance, M.T., Swain, J.L., Prangsma, J., Johnen, A., Jensen, M., Brydegaard, M. and Græsbøll, K. (2021). Advances in automatic identification of flying insects using optical sensors and machine learning. Scientific reports, 11(1), 1555.
https://doi.org/10.1038/s41598-021-81005-0
Krause, J., Stark, M., Deng, J., & Fei-Fei, L. (2013). 3D object representations for finegrained categorization. In Proceedings of the IEEE International Conference on Computer Vision Workshops (pp. 554-561).
https://doi.org/10.1109/ICCVW.2013.77
Li, C., Zhen, T., & Li, Z. (2022). Image classification of pests with residual neural network based on transfer learning. Applied Sciences, 12(9), 4356.
https://doi.org/10.3390/app12094356
Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., & Moon, H. (2020). Crop pest recognition in natural scenes using convolutional neural networks. Computers and Electronics in Agriculture, 169, 105174.
https://doi.org/10.1016/j.compag.2019.105174
Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. In 2018 international interdisciplinary PhD workshop (pp. 117-122). IEEE.
https://doi.org/10.1109/IIPHDW.2018.8388338
Nanni, L., Manfè, A., Maguolo, G., Lumini, A., & Brahnam, S. (2022). High performing ensemble of convolutional neural networks for insect pest image detection. Ecological Informatics, 67, 101515.
https://doi.org/10.1016/j.ecoinf.2021.101515
Oberti, R., Marchi, M., Tirelli, P., Calcante, A., Iriti, M., Tona, E., & Ulbrich, H. (2016). Selective spraying of grapevines for disease control using a modular agricultural robot. Biosystems engineering, 146, 203-215.
https://doi.org/10.1016/j.biosystemseng.2015.12.004
Rustia, D. J. A., Chao, J. J., Chiu, L. Y., Wu, Y. F., Chung, J. Y., Hsu, J. C., & Lin, T. T. (2021). Automatic greenhouse insect pest detection and recognition based on a cascaded deep learning classification method. Journal of Applied Entomology, 145(3), 206-222.
https://doi.org/10.1111/jen.12834
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of big data, 6(1), 1-48.
https://doi.org/10.1186/s40537-019-0197-0
Wang, J., Lin, C., Ji, L., & Liang, A. (2012). A new automatic identification system of insect images at the order level. Knowledge-Based Systems, 33, 102-110.
https://doi.org/10.1016/j.knosys.2012.03.014
Wang, R., Zhang, J., Dong, W., Yu, J., Xie, C., Li, R., & Chen, H. (2017). A crop pests image classification algorithm based on deep convolutional neural network. TELKOMNIKA (Telecommunication Computing Electronics and Control), 15(3), 1239-1246.
https://doi.org/10.12928/telkomnika.v15i3.5382
Wu, X., Zhan, C., Lai, Y. K., Cheng, M. M., & Yang, J. (2019). IP102: A large-scale benchmark dataset for insect pest recognition. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 8787-8796).
https://doi.org/10.1109/CVPR.2019.00899
Xia, D., Chen, P., Wang, B., Zhang, J., & Xie, C. (2018). Insect detection and classification based on an improved convolutional neural network. Sensors, 18(12), 4169.
https://doi.org/10.3390/s18124169