Convolutional Neural Network Based on Transfer Learning for Pest Classification in Chili Plant

方法

使用2450张经专家校验的辣椒害虫图像，对比MobileNetV2、ResNet

发现

MobileNetV2准确率达98.29%，优于对比模型且计算复杂度低，适合资源受限场景。

机会点

可探索田间复杂背景与多害虫混合场景下的轻量化实时识别，并扩展至更多作物与害虫种类。

病虫害侵染是辣椒种植中产量损失的主要原因，需要准确且自动化的害虫识别系统来支持精准农业。本研究提出了一种基于轻量级MobileNetV2的迁移学习模型，用于利用经过验证的印度尼西亚数字图像数据集进行多物种辣椒害虫分类。该数据集包含2，450张图像，代表七种主要辣椒害虫物种，采集自公开可用的网络来源，并辅以在自然条件下获取的田间图像。所有图像均经过人工整理、质量控制、分类学验证和专家标注验证，以确保数据集可靠性。数据集按80：20的比例划分为训练集和测试集，并应用数据增强技术以提高模型泛化能力。将MobileNetV2与ResNet50和EfficientNetB0进行了比较。所有模型均使用Adam优化器和分类交叉熵损失函数训练50个轮次。模型性能使用准确率、精确率、召回率和F1分数指标进行评估。实验结果表明，MobileNetV2达到了最高准确率（98.29%），优于ResNet50（97.84%）和EfficientNetB0（97.56%），同时保持较低的计算复杂度，适用于资源受限环境。本研究贡献包括：（1）一个经过验证的印度尼西亚多物种辣椒害虫数据集；（2）一个用于准确害虫分类的优化MobileNetV2迁移学习模型；（3）一个面向精准农业的实用型基于Streamlit的害虫监测系统。