Resumen

En este artículo, propusimos un enfoque para detectar plagas de colza basado en aprendizaje profundo, que mejora la precisión media promedio (mAP) al 77.14%; el resultado aumentó en un 9.7% con respecto al modelo original. Adoptamos este modelo para la plataforma móvil para que cada agricultor pueda utilizar este programa, el cual 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 objetivo de obtener un alto mAP, hemos utilizado aumento de datos (DA) y añadido una capa de eliminación. 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 la gestión integrada de plagas. Esta aplicación ha mejorado la adaptabilidad ambiental, la velocidad de respuesta y la precisión en comparación con trabajos anteriores, y tiene la ventaja de un bajo costo y una operación sencilla, lo cual es adecuado para la misión de monitoreo de plagas de drones y el Internet de las cosas (IoT).

• 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