Automatic insect count in trap images using deep learning

• Autor(a) principal: Teixeira, Ana Cláudia Carvalhais
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10348/11437
• topic: Deep learning; Contagem de insetos

As pragas de insetos são a principal causa de perda de produtividade e qualidade nas culturas em todo o mundo. O percevejo e a traça da uva são exemplos de duas das pragas mais significativas que afetam o arroz e as vinhas, respetivamente. As armadilhas para insetos estão entre as soluções mais adequadas para monitoramento e contagem influenciando a seleção e dosagem do pesticida a ser aplicado no controlo de pragas. No entanto, a monitorização e contagem baseiam-se na visita frequente de técnicos ao local e são suportadas por métodos de contagem ineficientes, sendo uma tarefa exigente e demorada. A gestão integrada de pragas foi desenvolvida para melhorar a gestão de pragas de insetos, reduzir o uso excessivo de pesticidas e aumentar a qualidade e o rendimento das culturas. Com o aprimoramento das tecnologias de inteligência artificial, diversas aplicações surgiram no contexto agrícola, incluindo detecção automática, monitorização e contagem de insetos. Este estudo propõe a contagem automática de insetos em armadilhas usando algoritmos de deep learning. Foram utilizados três bases de dados diferentes, Pest24, Bedbug e Grape moth. Pest24 é um conjunto de dados público com uma grande diversidade de insetos. Os conjuntos de dados Bedbug e Grape moth são conjuntos de dados privados fornecidos pelo mySense, uma plataforma de agricultura de precisão desenvolvida e gerida por investigadores da UTAD. Nossa metodologia foi dividida em duas partes, o uso de detetores de um estágio (YOLOv5) e de dois estágios (Faster R-CNN). Para a YOLOv5, realizamos um total de 8 experimentos, nos quais foram analisados o impacto do transfer learning e o hyperparameter tuning. Para a Pest24, obtivemos um desempenho superior ao relatado no estado da arte (72,1% de mAP), com o método YOLOv5. Em seguida, usando os hiperparâmetros e weights obtidos do conjunto de dados Pest24, treinamos os conjuntos de dados Bedbug e Grape moth. Os melhores resultados para o dataset do Bedbug foram obtidos com o YOLOv5 com tranfer learning com um AP de 95,9%. O melhor resultado foi obtido com YOLOv5 usando o ajuste de hiperparâmetros da Pest24 com AP de 91,5% para o Grape moth. Para o detector de dois estágios, realizamos 8 experimentos, nos quais foram combinados o uso de CNN (VGG ou Inception ResNet V2) e a aplicação de otimização de âncora, ajustando a âncora ao tamanho dos insetos. A otimização da âncora mostrou-se eficaz no conjunto de dados Grape moth, atingindo um AP de 80%, mas para o conjunto de dados da Grape moth, o método que teve o melhor desempenho foi sem a otimização âncora com um AP de 78.3%. Como resultado, YOLOv5 foi a melhor arquitetura, apresentando apenas dificuldades de detecção em imagens com elevado número de insetos. Além disso, foi possível verificar que a escala relativa dos insetos é o fator que mais afeta a tarefa de detecção e que a otimização da âncora pode melhorar os resultados de detecção.