农业害虫的物体检测算法基于改进的混合注意力机制
Bolun Guan1, Yaqian Wu2, Jingbo Zhu1
1Institute of Agricultural Economics and Information, Anhui Academy of Agricultural Sciences, Hefei 230031, China.
Plants (Basel, Switzerland)
|April 12, 2025
概括
一个新的数据集,Insect25,以及一个增强的检测模型,GC-Faster RCNN,改善了农业害虫的识别. 这种方法解决了尺度变化和物种相似性的挑战,提高了检测准确性和回忆,以改善作物管理.
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:
- 害虫感染对全球作物产量和质量构成重大威胁.
- 目前的害虫检测方法在有限的数据集,规模变化和类似的害虫外观方面扎.
研究的目的:
- 引入用于农业害虫检测的综合数据集.
- 开发一个改进的害虫检测模型,解决现有的局限性.
- 为了提高精确的害虫管理策略.
主要方法:
- 介绍Insect25,一个新型数据集,包含25个害虫类别和18349张高分辨率图像.
- 关于GC-Faster RCNN的建议,这是一个检测框架,具有用于歧视性特征提取的混合注意力机制.
- 实施一个优化的训练策略,使用一个带有线性加热的同位素回火调度器.
主要成果:
- 与最初的Faster RCNN相比,GC-Faster RCNN在Insect25数据集上的mAP0.5提高了4.5%,mAP0.75提高了20.4%,mAP0.5:0.95提高了20.8%,回忆率提高了16.6%.
- 拟议的模型有效地处理规模变化和类间相似性.
- 展示了增强的特征提取能力.
结论:
- 昆虫25数据集和GC-Faster RCNN模型在农业害虫检测方面取得了重大进展.
- 开发的方法提高了准确性和回忆力,这对于有效的害虫管理至关重要.
- 这项工作有助于建立更强大,更精确的农业监测系统.
