Um estudo comparativo de redes convolucionais profundas para detecção de insetos em imagens.
Esse trabalho apresenta um estudo comparativo entre dois modelos de redes convolucionais profundas em tarefas de identificação e contagem de insetos em imagens digitais, considerando afídeos (Hemiptera: Aphididae) e parasitoides (Hymenoptera: Aphelinidae e Braconidae, Aphidiinae). Nesse estudo de caso, cada imagem pode conter centenas de espécimes, detritos, sobreposições e outros insetos com morfologia semelhante, o que ? dificulta o processo de detecção. Nesse sentido, comparou-se os resultados obtidos pelo sistema InsectCV, baseado em Mask RCNN, em termos de tempo de treinamento, inferencia e precisão, com um novo modelo, treinado com a rede DarkNet. Com a utilização de imagens em tons de cinza, com menor dimensão, processamento via GPU e uma rede convolucional de um estagio, e possível a redução do custo computacional e elevação da precisão na tarefa de detecção de objetos. Com base em 580 ? imagens utilizadas para a validação do modelo proposto foi possível obter a precisão média de 79,9%.
| Main Authors: | , , , , |
|---|---|
| Other Authors: | |
| Format: | Anais e Proceedings de eventos biblioteca |
| Language: | Portugues pt_BR |
| Published: |
2021-10-26
|
| Subjects: | Parasitoides, Aphidiinae, Inseto, Afídeo, Hemíptera, Aphididae, Aphelinidae, Braconidae, Hymenoptera, |
| Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135583 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Esse trabalho apresenta um estudo comparativo entre dois modelos de redes convolucionais profundas em tarefas de identificação e contagem de insetos em imagens digitais, considerando afídeos (Hemiptera: Aphididae) e parasitoides (Hymenoptera: Aphelinidae e Braconidae, Aphidiinae). Nesse estudo de caso, cada imagem pode conter centenas de espécimes, detritos, sobreposições e outros insetos com morfologia semelhante, o que ? dificulta o processo de detecção. Nesse sentido, comparou-se os resultados obtidos pelo sistema InsectCV, baseado em Mask RCNN, em termos de tempo de treinamento, inferencia e precisão, com um novo modelo, treinado com a rede DarkNet. Com a utilização de imagens em tons de cinza, com menor dimensão, processamento via GPU e uma rede convolucional de um estagio, e possível a redução do custo computacional e elevação da precisão na tarefa de detecção de objetos. Com base em 580 ? imagens utilizadas para a validação do modelo proposto foi possível obter a precisão média de 79,9%. |
|---|