GIWT-YOLO:一个高效的多尺度框架,用于实时检测Scolytinae害虫

科学领域:

• 农业昆虫学 农业昆虫学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 由于它们的尺寸变化和视觉相似性,Scolytinae害虫对农业构成重大挑战.
• 主流的物体检测模型难以准确识别,特别是对于较小的害虫物种.

研究的目的:

• 开发一种轻量级且准确的物体检测模型,用于Scolytinae害虫.
• 改进检测小型和视觉上相似的害虫物种.

主要方法:

• 拟议的GIWT-YOLO是基于YOLOv11s的轻量级模型,包含用于多尺度特征提取的GIConv模块和灵感来自波形变换的WTConv模块.
• 整合了一个SE关注机制,以加强对关键特征地区的关注.
• 在Scolytinae害虫检测数据集上评估模型性能.

主要成果:

• GIWT-YOLO实现了84.7%的精度,88.7%的mAP@50,和63.4%的mAP@50~95,超过了基线YOLOv11s.
• 模型参数减少了11.3%,GFLOP减少了13.4%,这表明了更高效的架构.
• 在小型害虫检测方面表现出最先进的性能,具有强大的概括能力.

结论:

• GIWT-YOLO提供了一种高效准确的解决方案,用于检测Scolytinae害虫,特别是小型和相似的物种.
• 该模型的轻量级设计使其适合于害虫管理中的实际应用.
• 未来的工作包括扩展数据集,以提高在更广泛的害虫场景中的适用性.