SRNet-YOLO:基于超高分辨率重建的棉花田中检测微小和非常微小的害虫的模型
Sen Yang1,2, Gang Zhou1,2, Yuwei Feng1,2
1School of Computer Science and Technology, Xinjiang University, Urumqi, China.
Frontiers in plant science
|August 26, 2024
概括
这项研究介绍了SRNet-YOLO,这是一种用于检测棉花田中微小害虫的新框架. 与现有模型相比,它显著提高了小型害虫的检测准确性.
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:
- 有效的害虫防治对于棉花种植至关重要.
- 微小的害虫 (小于32x32像素) 和非常微小的害虫 (小于16x16像素) 对传统的物体检测模型构成检测挑战.
- 准确检测这些小型害虫对于明智的农业决策至关重要.
研究的目的:
- 开发一个先进的框架,SRNet-YOLO,用于准确检测野生棉花田中的微小和非常微小的害虫.
- 增强特征提取和融合能力,以改善小物体检测.
- 创建一个全面的数据集,用于验证拟议的方法.
主要方法:
- 拟议的SRNet-YOLO框架集成YOLOv8特征提取,特征地图超分辨率重建模块 (FM-SR) 和基于注意力的BiFormer融合机制 (BiFormerAF).
- FM-SR模块将P5层特征地图重建为P3层大小,以恢复详细的特征.
- BiFormerAF模块将重建的特征与P3层特征融合在一起,以防止信息丢失和改进检测.
主要成果:
- 在微小的害虫中,SRNet-YOLO实现了78.2%的mAP,超过了YOLOv3,YOLOv5,YOLOv7和YOLOv8.
- 对于非常微小的害虫,框架达到57%的mAP,比YOLOv8.2有32.2%的改善.
- 该模型表现出强大的通用性,在黄色粘性陷数据集上实现了92.8%的mAP.
结论:
- SRNet-YOLO有效地解决了在棉花田中检测微小害虫的挑战.
- 拟议的框架具有很好的通用性,适用于在其他作物中检测微小的害虫.
- 这项研究通过增强的计算机视觉技术为精密农业提供了强大的解决方案.
