超越单一感知的农田害虫检测算法MRA-YOLOX

作者：王中天; 邹颖波; 吴昌霖; 李新

来源：计算机工程与应用, 2023, 1-14.

• MAE
• 注意力机制
• YOLOX
• 害虫识别
• 状态检测

当前，目标检测技术正逐步应用于农业，然而在农田害虫检测的运用中仍存在检测速度慢、检测准确率偏低的问题，且仅仅预测害虫的种类和位置信息不足以满足复杂的工程需求。本文提出一种可以额外预测害虫状态信息的融合MAE和YOLOX算法的高速高精度农田害虫检测模型MRA-YOLOX(MaskedAutoencodersAndRapidAimDetection-ExceedingYOLO)。算法通过构建近4万数量级的图片以及5万余标注的数据集TDBFP(TargetDetectionDataSetBeUsedForFarmlandPests)，TDBFP数据集标注了10种害虫的生长状态，物种类别以及位置，以便更好的把握害虫的信息，从而更准确的制定对策；首先，修改YOLOX模型的解耦头及loss，额外输出生长状态，以改进模型预测更多信息；其次，将ECA和SA注意力机制进行有机融合，并插入backbone与FPN的连接过程以及FPN的通道堆叠过程，以便能够增强获得全局信息和丰富上下文信息的能力，从而取得比单一注意力机制更好的效果；最后，将MAE中自监督解码器部分插入YOLOX的数据增强部分，目的是扩大感受野，增强识别细粒度，获得超越mixup和mosaic的数据增强效果。实验结果表明，当需要同时感知目标的状态、分类和位置时，MRA-YOLOX相较于原始YOLOX 模型对于TDBFP数据集的检测精度mAP@0.5由60.1%上升到88.2%，平均检测准确率提高了18.8%，且检测帧率FPS达到145，可以用于更复杂的工程实践。

• 单位
  桂林理工大学