Classification Method of Significant Rice Pests Based onDeep Learning

2001
, 42, 145–175. [
CrossRef
]
6.
Lowe, D.G. Distinctive Image Features from Scale-Invariant Keypoints. Int. J. Comput. Vis. 2004, 60, 91–110. [
CrossRef
]
7.
Bay, H.; Tuytelaars, T.; van Gool, L. SURF: Speeded up Robust Features. Lect. Notes Comput. Sci. 2006, 3951, 404–417. [
CrossRef
]
8.
Xiao, D.; Feng, J.; Lin, T.; Pang, C.; Ye, Y. Classification and recognition scheme for vegetable pests based on the BOF-SVM model.
Int. J. Agric. Biol. Eng. 2018, 11, 190–196. [
CrossRef
]
9.
Chen, P.-H.; Lin, C.-J.; Schölkopf, B. A tutorial on ν-support vector machines. Appl. Stoch. Model. Bus. Ind. 2005, 21, 111–136.
[
CrossRef
]
10.
Sethy, P.K.; Barpanda, N.K.; Rath, A.K.; Behera, S.K. Deep feature based rice leaf disease identification using support vector
machine. Comput. Electron. Agric. 2020, 175, 105527. [
CrossRef
]
11.
Webb, G. Naïve Bayes. In Encyclopedia of Machine Learning and Data Mining; Springer: Berlin/Heidelberg, Germany, 2016; pp. 1–2.
[
CrossRef
]
12.
Larijani, M.R.; Asli-Ardeh, E.A.; Kozegar, E.; Loni, R. Evaluation of image processing technique in identifying rice blast disease in
field conditions based on KNN algorithm improvement by K-means. Food Sci. Nutr. 2019, 7, 3922–3930. [
CrossRef
]
13.
Li, D.; Wang, R.; Xie, C.; Liu, L.; Zhang, J.; Li, R.; Wang, F.; Zhou, M.; Liu, W. A Recognition Method for Rice Plant Diseases and
Pests Video Detection Based on Deep Convolutional Neural Network. Sensors 2020, 20, 578. [
CrossRef
] [
PubMed
]
14.
He, Y.; Zhou, Z.; Tian, L.; Liu, Y.; Luo, X. Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning. Precis.
Agric. 2020, 21, 1385–1402. [
CrossRef
]
15.
Rahman, C.R.; Arko, P.S.; Ali, M.E.; Khan, M.A.I.; Apon, S.H.; Nowrin, F.; Wasif, A. Identification and recognition of rice diseases
and pests using convolutional neural networks. Biosyst. Eng. 2020, 194, 112–120. [
CrossRef
]
16.
Liu, Z.; Gao, J.; Yang, G.; Zhang, H.; He, Y. Localization and Classification of Paddy Field Pests using a Saliency Map and Deep
Convolutional Neural Network. Sci. Rep. 2016, 6, 20410. [
CrossRef
] [
PubMed
]
17.
Alfarisy, A.A.; Chen, Q.; Guo, M. Deep learning based classification for paddy pests & diseases recognition. In Proceedings of
the 2018 International Conference on Mathematics and Artificial Intelligence, Chengdu, China, 20–22 April 2018; pp. 22–25.
[
CrossRef
]
18.
Jia, Y.; Shelhamer, E.; Donahue, J.; Karayev, S.; Long, J.; Girshick, R.; Guadarrama, S.; Darrell, T. Caffe: Convolutional architecture
for fast feature embedding. In Proceedings of the 2014 ACM Multimedia Conference, Orlando, FL, USA, 3–7 November 2014;
pp. 675–678. [
CrossRef
]
19.
Burhan, S.A.; Minhas, S.; Tariq, A.; Hassan, M.N. Comparative study of deep learning algorithms for disease and pest detection
in rice crops. In Proceedings of the 12th International Conference on Electronics, Computers and Artificial Intelligence (ECAI),
Bucharest, Romania, 16 October 2020; pp. 1–5. [
CrossRef
]

Agronomy 2022, 12, 2096
18 of 18
20.
Wu, X.; Zhan, C.; Lai, Y.-K.; Cheng, M.-M.; Yang, J. IP102: A large-scale benchmark dataset for insect pest recognition. In
Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA,
15–20 June 2019; pp. 8779–8788. [
CrossRef
]
21.
LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436–444. [
CrossRef
]
22.
Sagiroglu, S.; Sinanc, D. Big data: A review. In Proceedings of the 2013 International Conference on Collaboration Technologies
and Systems (CTS), San Diego, CA, USA, 20–24 May 2013; pp. 42–47.
23.
Mikołajczyk, A.; Grochowski, M. Data augmentation for improving deep learning in image classification problem. In Proceedings
of the International Interdisciplinary PhD Workshop (IIPhDW), Swinoujscie, Poland, 9–12 May 2018; pp. 117–122. [
CrossRef
]
24.
Taylor, L.; Nitschke, G. Improving deep learning with generic data augmentation. In Proceedings of the 2018 IEEE Symposium
Series on Computational Intelligence (SSCI), Bangalore, India, 18–21 November 2018; pp. 1542–1547. [
CrossRef
]
25.
Perez, L.; Wang, J. The Effectiveness of Data Augmentation in Image Classification Using Deep Learning. arxiv 2017,
arXiv:1712.04621.
26.
Nazki, H.; Lee, J.; Yoon, S.; Park, D.S. Synthetic Data Augmentation for Plant Disease Image Generation Using GAN. Proc. Korea
Contents Assoc. Conf. 2018, 459–460.
27.
Ding, B.; Long, C.; Zhang, L.; Xiao, C. ARGAN: Attentive recurrent generative adversarial network for shadow detection and
removal. In Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea, 27 October–
2 November 2019. [
CrossRef
]
28.
Nazki, H.; Yoon, S.; Fuentes, A.; Park, D.S. Unsupervised image translation using adversarial networks for improved plant
disease recognition. Comput. Electron. Agric. 2020, 168, 105117. [
CrossRef
]
29.
He, K.; Zhang, X.; Ren, S.; Sun, J. Deep residual learning for image recognition. In Proceedings of the 2016 IEEE Conference on
Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27–30 June 2016; pp. 770–778. [
CrossRef
]
30.
Simonyan, K.; Zisserman, A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv 2014, arXiv:1409.1556.
31.
Howard, A.G.; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H. MobileNets: Efficient
Convolutional Neural Networks for Mobile Vision Applications. arXiv 2017, arXiv:1704.04861.
32.
Wang, J.; Lin, C.; Ji, L.; Liang, A. A new automatic identification system of insect images at the order level. Knowledge-Based Syst.
2012
, 33, 102–110. [
CrossRef
]
33.
Xie, C.; Zhang, J.; Li, R.; Li, J.; Hong, P.; Xia, J.; Chen, P. Automatic classification for field crop insects via multiple-task sparse
representation and multiple-kernel learning. Comput. Electron. Agric. 2015, 119, 123–132. [
CrossRef
]
34.
Samanta, R.K.; Ghosh, I. Tea Insect Pests Classification Based on Artificial Neural Networks. Int. J. Comput. Eng. Sci. 2012, 2, 1–13.
35.
Deng, L.; Wang, Y.; Han, Z.; Yu, R. Research on insect pest image detection and recognition based on bio-inspired methods.
Biosyst. Eng. 2018, 169, 139–148. [
CrossRef
]
36.
Venugoban, K.; Ramanan, A. Image Classification of Paddy Field Insect Pests Using Gradient-Based Features. Int. J. Mach. Learn.
Comput. 2014, 4, 1–5. [
CrossRef
]
37.
Al Hiary, H.; Ahmad, S.B.; Reyalat, M.; Braik, M.; Alrahamneh, Z. Fast and Accurate Detection and Classification of Plant Diseases.
Int. J. Comput. Appl. 2011, 17, 31–38. [
CrossRef
]
38.
Xie, C.; Wang, R.; Zhang, J.; Chen, P.; Dong, W.; Li, R.; Chen, T.; Chen, H. Multi-level learning features for automatic classification
of field crop pests. Comput. Electron. Agric. 2018, 152, 233–241. [
CrossRef
]
39.
Fernández, A.; García, S.; del Jesus, M.J.; Herrera, F. A study of the behaviour of linguistic fuzzy rule based classification systems
in the framework of imbalanced data-sets. Fuzzy Sets Syst. 2007, 159, 2378–2398. [
CrossRef
]
40.
Pan, S.J.; Tsang, I.W.; Kwok, J.T.; Yang, Q. Domain Adaptation via Transfer Component Analysis. IEEE Trans. Neural Netw.
2011
, 22, 199–210. [
CrossRef
]
41.
Deng, J.; Dong, W.; Socher, R.; Li, L.-J.; Li, K.; Fei-Fei, L. ImageNet: A large-scale hierarchical image database. In Proceedings
of the 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, USA, 20–25 June 2009; pp. 248–255.
[
CrossRef
]
42.
Johnson, J.; Alahi, A.; Fei-Fei, L. Perceptual losses for real-time style transfer and super-resolution. In Proceedings of the European
Conference on Computer Vision, Amsterdam, The Netherlands, 8–16 October 2016; Springer: Berlin/Heidelberg, Germany, 2016;
pp. 694–711.
43.
Cha, M.; Gwon, Y.; Kung, H.T. Adversarial nets with perceptual losses for text-to-image synthesis. In Proceedings of the 2017
IEEE 27th International Workshop on Machine Learning for Signal Processing (MLSP), Tokyo, Japan, 25–28 September 2017;
pp. 1–6. [
CrossRef
]
44.
Jay, F.; Renou, J.-P.; Voinnet, O.; Navarro, L. Unpaired image-to-image translation using cycle-consistent adversarial networks
Jun-Yan. In Proceedings of the IEEE International Conference on Computer Vision, Venice, Italy, 22–29 October 2017; pp. 183–202.
45.
Cao, X.; Wei, Z.; Gao, Y.; Huo, Y. Recognition of Common Insect in Field Based on Deep Learning. J. Phys. Conf. Ser.
2020
, 1634, 012034. [
CrossRef
]