基于深度学习的林业害虫检测优化

作者：赵严; 刘应安^*; 业巧林; 周小亮

来源：液晶与显示, 2022, 37(09): 1216-1227.

• 林业害虫检测
• 深度学习
• Pest-YOLOv4
• 注意力机制
• Focal Loss

目前林业害虫检测研究多数基于传统机器学习算法，且存在精度低、效果差的问题。对此，提出了一种基于深度学习模型YOLOv4的林业害虫检测模型——Pest-YOLOv4。采用K-means++算法聚类先验框，提高了先验框avg-IoU值。将ECA(Efficient Channel Attention)和CBAM(Convolutional Block Attention Module)结合，构成ECA-CBAM注意力机制，使网络更多关注有利于林业害虫检测的特征信息。重新组织网络颈部，构成SPP-PANet，融合多重感受野捕获的特征信息。利用Focal Loss思想改进损失函数，在平衡正负样本比例的同时关注难区分样本的学习。实验结果表明，Pest-YOLOv4林业害虫检测模型mAP达到90.4%，相较于YOLOv4提高4.2%,FPS保持在33.4 f/s，满足林业害虫检测任务的检测精度与实时性要求。

• 单位
  南京林业大学