精确的作物害虫检测基于坐标基于注意的特征金字塔模块
Chenrui Kang1,2, Lin Jiao2,3, Kang Liu4
1School of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, China.
Insects
|January 25, 2025
概括
深度学习模型在小昆虫害虫检测方面遇到了困难. 一个新的基于注意力的协调特征金字塔网络 (CAFPN) 改善了特征提取和样本选择,以准确识别害虫.
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:
- 昆虫害虫严重影响全球作物生产和经济价值.
- 准确和快速的害虫检测对于有效的害虫防治和感染减缓至关重要.
- 目前的深度学习方法在检测小作物害虫方面面临挑战,原因是特征提取和样本选择中的困难.
研究的目的:
- 开发一种先进的深度学习模型,用于准确检测和识别小型作物害虫.
- 解决现有方法在特征提取和积极/消极样本选择中用于检测小型害虫的局限性.
主要方法:
- 设计了一个基于坐标的注意力特征金字塔网络 (CAFPN),用于增强突出视觉特征提取.
- 在网络培训期间实施了具有正负权重函数的动态样本选择策略.
- 在大规模数据集上评估模型:AgriPest 21和IP102.
主要成果:
- 该CAFPN模型在基准数据集上取得了有希望的检测结果.
- 在AgriPest 21上获得了77.2%的平均精度 (mAP) 评分,在IP102.2上获得了29.8%的平均精度.
- 与其他现有的害虫检测模型相比,证明了卓越的性能.
结论:
- 拟议的CAFPN模型通过改进特征提取和样本选择,有效地克服了小型害虫检测的局限性.
- 动态样本选择策略提高了分类准确性和定位精度.
- 结果表明,基于深度学习的作物害虫检测系统取得了重大进展.
