10.3969/j.issn.1005-9369.2022.05.008
基于改进YOLOv4的田间密集小目标检测方法
为研究农业场景下密集小目标难识别问题,提出一种基于卷积注意力的CBAM-YOLOv4密集小目标检测方法.该方法在YOLOv4模型骨干网络Add层和Concat层后嵌入卷积注意力模块(CBAM),在保证模型检测效率基础上提高模型检测精度.通过设置多种试验条件,使用不同密集程度、光照条件及天气状况下采集的密集葡萄叶片数据测试模型检测效果,试验对比EfficientDet、YOLOv3、YOLOv4及CBAM-YOLOv44种网络,采用统计AP值的评价方法评估各模型差异.结果表明,在密集葡萄叶片数据集中,CBAM-YOLOv4模型识别效果提升明显,对于高度密集叶片数据集,该模型AP值为82.04%,相比YOLOv4提高1.94%,高于其他检测模型3%~4%.将该模型应用于无人机果树资源调查中,对果树的计数精度为90.43%.以上试验结果表明,该方法对农业场景下密集小目标检测具有较高精度.
农业场景、密集小目标、YOLOv4、卷积注意力
53
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;甘肃省教育厅产业支撑项目;甘肃省青年科技基金计划
2022-07-14(万方平台首次上网日期,不代表论文的发表时间)
共11页
69-79