基于改进YOLOv4的田间密集小目标检测方法

作者：杨军奇; 冯全^*; 王书志; 张建华; 杨森

来源：东北农业大学学报, 2022, 53(05): 69-79.

DOI：10.19720/j.cnki.issn.1005-9369.2022.05.008

• 农业场景
• 密集小目标
• YOLOv4
• 卷积注意力

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-YOLOv4 4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。

• 单位
  中国农业科学院农业信息研究所; 甘肃农业大学; 西北民族大学; 机电工程学院