基于YOLOT网络的小目标检测
当前以大数据、深度学习、算力为基础的目标检测在智能农业、人脸识别、安防监控、行人检测、车辆检测等领域有着广泛的应用.特别是农业中的蔬果发育及采摘、病虫杂草识别、产量预测等应用都将有力地支撑着智能农业蓬勃的发展.但是农业中小型瓜果蔬菜等小目标在采集的图像中所占像素太少、覆盖区域不足、携带信息少等问题导致识别率不高,出现漏检、误检等错误.文章提出一个基于YOLOv5改进的卷积神经网络YOLOT.第一:YOLOT改进了YOLOv5网络并添加了注意力机制在Backbone中,提高了其对小目标特征提取的有效度.第二:针对小目标浅层信息与深层信息相差较大,改进了特征金字塔,使其准确率有了明显提高.第三:针对小目标占比像素过少,优化了锚框.综合上述改进以及实验对比,笔者提出的YOLOT网络对农业中小型目标的检测率明显优于YOLOv5检测算法.
农业、YOLOv5、小目标、注意力机制、特征金字塔
18
TP18(自动化基础理论)
2023-01-05（万方平台首次上网日期，不代表论文的发表时间）
共5页
22-26
