Resumen

En este documento, propusimos un enfoque para detectar plagas de colza basado en aprendizaje profundo, que mejora la precisión promedio media (mAP) al 77,14%; el resultado aumentó en un 9,7% con respecto al modelo original. Adoptamos este modelo a una plataforma móvil para que cada agricultor pueda utilizar este programa, que diagnosticará plagas en tiempo real y proporcionará sugerencias sobre el control de plagas. Diseñamos una base de datos de imágenes de plagas de colza con 12 plagas típicas de colza y comparamos el rendimiento de cinco modelos, eligiendo SSD con Inception como el modelo óptimo. Además, con el fin de lograr un alto mAP, hemos utilizado aumento de datos (DA) y añadido una capa de abandono. Los experimentos se realizaron en la aplicación de Android que desarrollamos, y los resultados muestran que nuestro enfoque supera claramente al modelo original y es útil para el manejo integrado de plagas. Esta aplicación ha mejorado la adaptabilidad ambiental, la velocidad de respuesta y la precisión en comparación

• Materias:Comunicación inalámbrica Blockchain Comunicaciones vehiculares Enrutamiento Redes centradas
• Subjects:Wireless communication Blockchain Vehicular communications Routing Focused networks
• Palabras claves:Aprendizaje profundo; Plagas de la colza; Precisión media; Plataforma móvil; SSD c/Inception; Aumento de datos
• Keywords:Deep learning; Oilseed rape pests; Mean average precision; Mobile platform; SSD w/Inception; Data augmentation