毕设文献8（Not Really Related）-利用鸟群算法和深度学习模型增强红棕榈象检测

Enhancing Red Palm Weevil Detection Using Bird Swarm Algorithm With Deep Learning Model (利用鸟群算法和深度学习模型增强红棕榈象检测)

• [1] M. A. Arasi et al, "Enhancing Red Palm Weevil Detection Using Bird Swarm Algorithm With Deep Learning Model," IEEE Access, vol. 12, pp. 1542-1551, 2024.

本研究利用鸟群算法和深度学习模型提出了一种智能的红棕榈象检测技术，通过对红棕榈象（一种甲壳虫，RPW）图像进行处理和特征提取，并利用超参数调整和极限梯度提升分类器，取得了改进的检测效果。

• 论文背景: 近年来，红棕榈象在中东地区成为了全球棕榈树最危险的害虫之一，对多种棕榈树造成严重危害。
• 过去方案: 传统的红棕榈象检测方法包括通过声音或视觉评估和化学识别受感染棕榈树产生的挥发性标志物。然而，对于在早期阶段有效识别红棕榈象疾病来说，这是一个非常复杂的问题。
• 论文的Motivation: 本研究旨在利用计算机视觉和深度学习技术，提出一种智能的红棕榈象检测技术，以解决传统方法在早期识别红棕榈象疾病方面的局限性。

理论背景: 本文提出了一种智能红棕榈象检测模型(IRPWD-BSADL)，旨在利用计算机视觉和深度学习模型识别和分类红棕榈象(RPW)。

技术路线：该方法利用双边滤波进行噪声去除，采用改进的ShuffleNet模型进行特征提取，以及鸟群算法进行超参数调整。

实验设置：IRPWD-BSADL方法在RPW图像数据库上进行了测试，实验结果显示其在RPW检测中取得了最高99.43%的准确率。

实验结果：IRPWD-BSADL方法在RPW检测中取得了最高99.43%的准确率。

• 自动化红棕象检测方法：IRPWD-BSADL技术的主要目标是利用CV和DL模型对红棕象进行识别和分类。该方法包括几个子过程，即基于BF的预处理、改进的ShuffleNet特征提取器、基于BSA的超参数调整和XGBoost分类。
• 首先，双边滤波(BF)方法可以用来去除图像中存在的噪声。
• 改进的ShuffleNet模型可以用干特征提取。
• 为了提高识别效果IRPWD-BSADL技术利用BSA进行超参数整定。
• 对于RPW检测和分类，可以使用极端梯度增强XGBoost分类器。
• IRPWD-BSADL方法可以在RPW数据集上进行仿真分析
• IRPWD-BSADL算法的工作流程：