在气候室环境中基于改进的YOLOv5算法进行虫识别和计数
Xiaoyin Li1, Lixing Wang1, Hong Miao1
1College of Mechanical Engineering, Yangzhou University, Yangzhou 225127, China.
Insects
|November 24, 2023
概括
这项研究引入了一个增强的YOLOv5模型,用于在气候室中准确的虫计数和识别. 改进的模型实现了高精度和速度,为害虫控制提供了强大的解决方案.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在气候室中准确地识别和计数虫是具有挑战性的,因为光强度可变,虫聚合和小目标大小.
- 现有的方法难以应对受控环境农业 (CEA) 害虫监测的复杂性.
研究的目的:
- 开发一个改进的YOLOv5模型,用于在气候室中准确识别和计数虫.
- 为CEA增强自动化害虫检测系统的稳定性和效率.
主要方法:
- 一个改进的YOLOv5模型,结合Mosaic和GridMask进行数据增强以减轻过度拟合.
- 将卷积块注意模块 (CBAM) 集成到骨干中,以增强小目标识别.
- 利用双向特征金字塔网络 (BiFPN) 在YOLOv5子中进行特征融合.
- 在检测头之前引入了一个变压器结构,以分析环境因素对识别的影响.
主要成果:
- 拟议的模型实现了99.1%的识别精度和回忆率,平均平均精度 (mAP) @0.5为99.3%.
- 推断时间减少到9.4毫秒,优于其他YOLO系列网络.
- 在气候室内的现实世界识别任务中表现出强大的稳定性.
结论:
- 增强的YOLOv5模型显著提高了虫检测准确性和效率,在具有挑战性的气候室环境中.
- 该模型在农业研究和实践中为自动化害虫防治策略提供了有价值的工具.
