SP-YOLO:一种实时和高效的多尺度模型,用于在甜菜田中检测害虫

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:

• 甜菜作物由于害虫侵袭而面临重大产量损失.
• 准确及时识别害虫对于有效的作物管理至关重要.
• 目前的害虫检测方法与伪装的害虫和规模变化作斗争.

研究的目的:

• 为甜菜作物开发一个改进的实时害虫检测模型.
• 解决害虫检测方面的挑战,包括环境混合和规模变化.
• 为复杂的背景构建一个多尺度的害虫数据集.

主要方法:

• 开发了BeetPest数据集,用于在复杂的背景下多层次检测害虫.
• 提出了SP-YOLO模型,这是一个基于YOLOv11.11的增强实时检测模型.
• 将CNN和变压器 (CAT) 集成到脊柱中,用于全球特征捕获.
• 使用轻型深度可分离卷积块 (DSCB) 进行多尺度特征提取.
• 在部使用跨层路径聚合网络 (CLPAN) 进行特征合并.

主要成果:

• 与YOLOv11.11相比,SP-YOLO在平均平均精度 (mAP@50) 中表现出了4.9%的改善.
• 实现了9.9%的精度提升和1.3%的平均回忆提升.
• 达到每秒136 (FPS) 的检测速度,使实时应用成为可能.
• 在其他具有可管理的计算复杂性的害虫数据集上展示了稳定性.

结论:

• SP-YOLO模型有效地检测复杂背景中的害虫,并处理尺度变化.
• 该模型满足农业害虫管理的实时检测要求.
• 由于其效率和可管理的参数大小,SP-YOLO适用于边缘设备.