P4CN-YOLOv5s:一种基于轻量级改进的YOLOv5s的激情果害虫检测方法
Zhiping Tan1,2, Dapeng Ye2, Jiancong Wang1
1College of Mechanical and Electrical Engineering, Fujian Agriculture and Forestry University, Fuzhou, China.
Frontiers in plant science
|July 4, 2025
概括
一个新的深度学习模型,P4CN-YOLOv5s,有效地检测到小,密集的激情果害虫. 这种模型实现了高精度和效率,优于现有的果园害虫检测方法.
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:
- 激情果害虫表现出高度的物种多样性,小规模和密集的种群,对传统的检测算法构成挑战.
- 现有的方法在农业环境中检测分布密集的小物体时,在准确性和效率方面存在困难.
研究的目的:
- 开发一种增强,轻量化和高效的深度学习模型,用于准确检测激情果害虫.
- 改进现有的物体检测模型,以应对小型,密集的害虫种群的特殊挑战.
主要方法:
- 基于YOLOv5s的拟议P4CN-YOLOv5s模型,包括PLDIoU损失,四个CBAM模块和新的箱.
- 利用Mosaic-9和Mixup进行数据增强,点线距离界限框损失速度,以及卷积块注意模块 (CBAM) 具有优化的点来减少错误检测.
- 在6000张激情果害虫图像的数据集上对模型进行了评估.
主要成果:
- P4CN-YOLOv5s模型实现了96.99%的准确性和93.99%的F1得分.
- 显示平均检测时间为7.2毫秒,表明高效率.
- 在精度,低假阳性率和检测速度方面,超过SSD,更快的R-CNN,YOLOv3,YOLOv4,YOLOv5,P4C-YOLOv5s和YOLOv7.
结论:
- 在自然果园环境中,P4CN-YOLOv5s模型非常有效地检测激情果害虫.
- 与其他最先进的模型相比,该模型在准确性,效率和减少假阳性方面具有显著的优势.
- 这项研究为精准农业和害虫管理提供了有价值的工具.
