相关实验视频
Updated: Sep 18, 2025
05:16
Flying Insect Detection and Classification with Inexpensive Sensors
Published on: October 15, 2014
25.3K
基于PDA-YOLO的高精度储存谷物昆虫害虫检测方法
Fuyan Sun1,2,3, Zhizhong Guan1,2,3, Zongwang Lyu1,2,3
1Key Laboratory of Grain Information Processing and Control, Ministry of Education, Henan University of Technology, Zhengzhou 450001, China.
Insects
|June 25, 2025
概括
使用先进的人工智能模块,PDA-YOLO增强了储存的谷物昆虫检测. 这种新的算法提高了准确性和速度,这对于智能粮食储存和粮食安全至关重要.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 有效地检测储存粮食中的昆虫害虫对于防止经济损失和确保粮食安全至关重要.
- 目前的检测方法面临诸多挑战,包括高成本,环境干扰和不一致的性能.
研究的目的:
- 开发一个改进的算法,用于存储的谷物昆虫害虫检测,解决现有方法的局限性.
- 提高粮食储存管理中的虫害识别的准确性,效率和实时性能.
主要方法:
- 提出了PDA-YOLO,这是一个基于YOLO11n的算法,集成了PoolFormer_C3k2 (PF_C3k2),基于注意力的尺度内特征交互 (AIFI) 和动态多尺度感知边缘 (DMAE) 模块.
- 在6200张五种常见的储存谷物昆虫害虫的图像上训练并测试了算法.
主要成果:
- PDA-YOLO实现了高性能指标:mAP@0.5达到96.6%,mAP@0.5:0.95达到60.4%,F1得分达到了93.5%.
- 演示了低计算成本 (6.9G) 和快速平均检测时间 (9.9毫秒/图像).
- 在平衡准确性,计算效率和实时功能方面表现优于主流检测算法.
结论:
- PDA-YOLO为智能存储谷物昆虫害虫检测提供了显著的进步.
- 该算法为改善粮食储存系统中的害虫管理提供了有价值的参考.
- PDA-YOLO有效地解决了对准确,高效和快速检测的需求,以支持粮食安全.
