基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测

摘要：

茶叶的产量和品质深受病虫害的影响.茶尺蠖是一种常见的茶叶害虫,精确检测茶尺蠖对茶叶病虫害防治有重要意义.由于茶尺蠖和茶树枝、枯死茶叶的颜色、纹理相近,茶尺蠖的体积小、形态多变、被遮挡等问题,现有方法检测茶尺蠖的精度不高.该研究提出一种基于深度学习的复杂背景图像中茶尺蠖检测方法,该方法使用YOLOv5为基线网络,利用卷积核组增强对茶尺蠖的特征提取,在不增加计算量的条件下减少复杂背景对茶尺蠖检测结果的干扰;使用注意力模块关注茶尺蠖整体,根据茶尺蠖的大小和形状自适应调节感受野,降低因目标大小形状不一导致的漏检;使用Focal loss损失函数减少前景和背景的类不平衡对检测结果的影响.试验结果表明,所提方法用于复杂背景图像中茶尺蠖的检测,可以达到0.94的召回率,0.96的精确度和92.89％的平均精度均值.与基线网络相比,该方法的平均精度均值提高了6.44个百分点.使用相同的数据集和预处理的对比分析表明,该方法优于SSD、Faster RCNN和YOLOv4等其他经典深度学习方法,平均精度均值比SSD、Faster RCNN、YOLOv4分别高17.18个百分点、6.52个百分点和4.78个百分点.该方法可实现对茶尺蠖的智能检测,减少人力成本,有助于实现精准施药,提高茶叶的产量和品质.

关键词：农业;算法;目标检测;深度学习;卷积核组;注意力模块;茶尺蠖

所属期刊栏目：37

分类号：TP391.4(计算技术、计算机技术)

资助基金：安徽省高等学校自然科学研究重大项目;农业生态大数据分析与应用技术国家地方联合工程研究中心开放课题项目

在线出版日期：2022-02-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：191-198