大田环境下的农业害虫图像小目标检测算法

作者：蒋心璐; 陈天恩; 王聪; 赵春江

来源：计算机工程, 2023, 1-12.

DOI：10.19678/j.issn.1000-3428.0067030

• 深度学习
• 目标检测
• 害虫检测
• 小目标检测
• 损失函数

智能化害虫检测是目标检测技术在农业领域的重要应用，可以有效提高害虫测报工作效率和可靠性，保障农作物产量和质量。诱虫灯、粘虫板等固定式诱捕装置下，图像背景简单、光照条件稳定、害虫特征显著易于提取，害虫检测可以达到较高的准确率，但其应用场景固定，检测范围局限于设备周围，无法适应复杂的田间环境。为了提高害虫测报的灵活性，针对田间环境下图像背景复杂和害虫尺寸小带来的难检和漏检问题，提出了一种改进YOLOv5的小目标害虫检测模型Pest-YOLOv5。首先，通过在特征提取器中增加坐标注意力机制，通过结合空间和通道信息，增强对小目标害虫特征的提取能力；其次，在颈部连接部分使用BiFPN结构，通过融合多尺度特征，缓解多次卷积带来的小目标信息丢失问题；最后，使用SIoU和Varifocal Loss函数计算损失，同时通过实验得到最优分类损失权重系数，让模型更关注分类困难的目标样本。在公开数据集AgriPest的子集上进行实验，本文提出的Pest-YOLOv5模型mAP0.5达到了70.4%，召回率达到了67.8%，优于原YOLOv5模型、SSD和Faster R-CNN等经典目标检测模型。与原模型相比，Pest-YOLOv5模型将mAP0.5提高了8.1%，mAP0.5-0.95提高了7.9%，召回率提高了12.8%，改善了难检和漏检情况。未来模型可部署在相关软件或云平台上，辅助农技人员开展田间调查，提高工作效率。

• 单位
  西北农林科技大学; 国家农业信息化工程技术研究中心; 北京市农林科学院