Fine-Grained Recognition of Insect Pests from Digital Images: A Survey.
- Vision par ordinateur
- Réseaux de neurones convolutifs
- Transformateurs visuels
L'article traite de problématiques agricoles et écologiques, sans lien direct avec des applications cliniques ou des pathologies humaines.
L'article ne traite pas de problématiques cliniques directes. Le contexte et les applications sont strictement agricoles, limitant la portée pour les domaines de santé.
Ce travail de synthèse explore l'application des techniques de vision par ordinateur et d'intelligence artificielle à la reconnaissance fine d'insectes nuisibles à partir d'images numériques, avec un objectif de moderniser la gestion des ravageurs en agriculture. Le contexte souligne les limites des méthodes manuelles, coûteuses et dépendantes de l'expertise, et propose l'automatisation comme solution pour améliorer la précision et l'échelle des analyses. La méthode repose sur une revue systématique de 57 études (2020-2025) issues de bases de données multidisciplinaires, analysant les approches technologiques (réseaux de neurones convolutifs, transformateurs visuels, mécanismes d'attention) et les innovations comme les pièges électroniques pour la collecte de données en temps réel. Les résultats mettent en avant les progrès dans la reconnaissance multi-espèces et les synergies possibles avec des modèles de prévision météorologique pour des systèmes d'alerte précoce. L'intérêt clinique réside dans la démonstration de méthodologies d'analyse d'images applicables à d'autres domaines (ex. imagerie médicale), bien que l'article ne traite pas directement de problématiques cliniques. Les limites incluent l'absence de lien explicite avec la santé humaine et la focalisation sur des applications agricoles.
Vision par ordinateur Réseaux de neurones convolutifs Transformateurs visuels Gestion des ravageurs Imagerie numérique
Les techniques de reconnaissance d'images présentées pourraient inspirer des applications en imagerie médicale ou neuropsychologique, bien que l'article ne les aborde pas directement. L'intégration de données en temps réel et de modèles prédictifs pourrait avoir des analogies dans la surveillance clinique ou la gestion de pathologies.
Faible