基于扩展多尺度关注的作物昆虫害虫检测U-Net
Xuqi Wang1, Shanwen Zhang2, Ting Zhang1
1School of Electronic Information, Xijing University, Xi'an, 710123, China.
Plant methods
|February 26, 2024
概括
一个新的扩展多尺度注意力U-Net (DMSAU-Net) 模型准确地检测了农作物上的昆虫害虫. 这种方法提高了检测准确度,并有助于实用的作物监测系统.
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:
- 农作物害虫显著降低了农业产量和质量.
- 准确和快速检测害虫害虫对于有效的害虫控制至关重要.
- 在作物叶子上识别害虫是实施控制策略的先决条件.
研究的目的:
- 开发一种有效的模型,用于在野外条件下检测不规则的,多尺度的昆虫害虫.
- 提高作物昆虫害虫检测系统的准确性和效率.
主要方法:
- 一个新的扩展多尺度注意力U-Net (DMSAU-Net) 模型被设计用于作物昆虫害虫检测.
- 编码器使用扩展的Inception来捕获害虫图像中的多尺度特征.
- 解码器中的注意模块将重点放在虫害图像边缘上,减少噪音并加速融合.
主要成果:
- 在IP102数据集上,DMSAU-Net模型实现了92.16%的检测准确度.
- 在欧盟的交叉路口 (IoU) 达到了91.2%,超过MSR-RCNN分别为3.3%和1.5%.
- 实验结果表明,与现有方法相比,其性能优越.
结论:
- 拟议的DMSAU-Net模型是检测昆虫害虫的有效方法.
- 扩展初始化增强了模型的准确性,而注意力模块提高了降噪和融合速度.
- 该方法在作物昆虫害虫监测系统中具有很强的实际应用潜力.
