计算机工程

作者：蒋心璐, 陈天恩, 王聪, 赵春江

单位：1. 西北农林科技大学信息工程学院, 陕西 杨凌 7121002. 国家农业信息化工程技术研究中心, 北京 1000973. 北京市农林科学院信息技术研究中心, 北京 100097

关键词：深度学习,目标检测,害虫检测,小目标检测,损失函数

基金：北京市科技计划(Z221100006422010); 北京市农林科学院改革与发展项目; 北京市农林科学院信息技术研究中心开放课题(KF2022W001)

智能化害虫检测是目标检测技术在农业领域的重要应用，可以有效提高害虫测报工作效率和可靠性，保障农作物产量和质量。在诱虫灯、粘虫板等固定式诱捕装置下，图像背景简单、光照条件稳定、害虫特征显著易于提取，害虫检测可以达到较高的准确率，但其应用场景固定，检测范围局限于设备周围，无法适应复杂的田间环境。针对田间环境下图像背景复杂和害虫尺寸小带来的难检和漏检问题，提出一种改进YOLOv5的小目标害虫检测算法Pest-YOLOv5，以提高害虫测报的灵活性。在特征提取网络中增加坐标注意力机制，通过结合空间和通道信息，增强对小目标害虫特征的提取能力，在颈部连接部分使用双向特征金字塔网络结构，通过融合多尺度特征，缓解多次卷积带来的小目标信息丢失问题。在此基础上，使用SIoU和变焦损失函数计算损失值，同时通过实验得到最优分类损失权重系数，使模型更关注分类困难的目标样本。在公开数据集AgriPest上的实验结果表明，Pest-YOLOv5模型mAP0.5和召回率分别为70.4%和67.8%，优于原YOLOv5s模型、SSD和Faster R-CNN等经典目标检测模型。与YOLOv5s模型相比，Pest-YOLOv5模型将mAP0.5、mAP0.50:0.95和召回率分别提高8.1%、7.9%和12.8%，改善了难检和漏检情况。

来源：2024年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第1期