基于视觉加强注意力模型的植物病虫害检测
[目的]植物病虫害准确检测是病虫害精准化防治的关键,笔者构建准确高效的植物病虫害监测模型,为病虫害的早期诊断与预警提供重要依据.[方法]针对现有植物病虫害检测模型泛化能力弱、小目标漏检率高等问题,提出一种基于视觉加强注意力改进的植物病虫害检测模型——YOLOv 5-VE(vision enhancement).为方便检测实验样本中的小目标采用Mosaic 9数据增强方法;设计出基于视觉注意力的特征加强模块CBAM(convo-lutional block attention module);为确定不同目标重叠在一起和被遮挡的定位损失引入边界框定位损失函数DIoU.[结果]YOLOv 5-VE模型在实验数据集上的识别精度和检测平均准确率达到65.87％和73.49％,比原模型提高了1.07％和8.25％,在型号为1080 Ti的GPU上检测速度可达35帧/s.[结论]该方法可以在背景复杂的野外场景快速有效地检测和识别种类多样的病害和虫害,可以提高检测的鲁棒性能,提升模型对病虫害目标的特征提取能力,降低野外复杂场景对检测带来的干扰,表现出良好的应用潜力,可广泛运用于大规模的植物病虫害检测.
植物病虫害检测、目标检测、注意力机制、数据增强
47
TP3;S763(计算技术、计算机技术)
国家自然科学基金;辽宁省科技厅和机器人国家重点实验室联合基金项目;江苏省双创项目;南京市留学归国人员科技创新择优资助项目
2023-06-02（万方平台首次上网日期，不代表论文的发表时间）
共8页
11-18
