-
题名改进YOLOv8n的林业害虫检测方法
- 1
-
-
作者
陈万志
袁航
-
机构
辽宁工程技术大学软件学院
-
出处
《北京林业大学学报》
北大核心
2025年第2期119-131,共13页
-
基金
辽宁省教育厅科学研究基金面上项目(2021LJKZ0327)
辽工程GPU资源支持项目(2024-02)。
-
文摘
【目的】针对现有林业害虫检测方法检测速度慢,检测类别少,小目标害虫检测效果差等问题,提出了一种改进YOLOv8n的林业害虫检测方法。【方法】首先,采用高效多尺度级联注意力特征提取网络EfficientViT作为改进模型的主干网络,降低计算复杂度,提高检测速度;其次,通过构建多尺度自适应特征融合模块DA-C2F提升模型在复杂背景下害虫目标的聚焦能力和识别精度,此外新增的小目标检测头XSH能够进一步提升小目标害虫的检测能力;最后,采用基于最小点距离交并比损失函数MPDIoU作为模型的边界框损失,提升网络收敛速度,进一步增强害虫目标的定位准确率。【结果】改进模型的检测精确率、召回率、平均精度、平均精度均值(mAP50-95)和F_(1)分数分别达到98.6%、95.7%、98.3%、85.6%和0.979,前4者较原模型分别提升了3.9、2.6、2.8、2.5个百分点,F_(1)分数提升了4.4%;检测速度(帧率)达到了95帧/秒,提升了15.9%,优于更轻量级的模型。此外,对比其他检测模型,改进模型对飞蛾类害虫的检测精确率提升了11.2个百分点,并且两种独立飞蛾害虫综合检测的表现也更为优异。【结论】本研究提出的方法对于林业害虫的检测准确度更高,检测速度更快,且对多类别害虫的检测精度更高,改进模型的泛化能力更强。
-
关键词
深度学习
卷积神经网络(CNN)
林业害虫检测
YOLOv8n
多尺度级联注意力特征提取网络
多尺度自适应特征融合
小目标检测头
-
Keywords
deep learning
convolutional neural networks(CNN)
forestry pest detection
YOLOv8n
multi scale cascaded attention feature extraction network
multi-scale adaptive feature fusion
small object detection head
-
分类号
S763.305
[农业科学—森林保护学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的林业害虫检测优化
被引量：7
- 2
-
-
作者
赵严
刘应安
业巧林
周小亮
-
机构
南京林业大学信息科学技术学院
-
出处
《液晶与显示》
CAS
CSCD
北大核心
2022年第9期1216-1227,共12页
-
基金
国家自然科学基金(No.62072246)。
-
文摘
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。
-
关键词
林业害虫检测
深度学习
Pest-YOLOv4
注意力机制
Focal
Loss
-
Keywords
forestry pest detection
deep learning
Pest-YOLOv4
attention mechanism
Focal Loss
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
