注意-PestNet:对昆虫害虫检测的层次化规模点-产品注意力
Vu Thinh Doan1,2, Hoang Thanh Le3, Thi Thu Thuy Pham2
1Intelligent System Laboratory, Department of Electrical Engineering, College of Electrical Engineering and Computer Science, National Kaohsiung University of Science and Technology, Kaohsiung, Taiwan.
Plant methods
|December 28, 2025
概括
准确的昆虫害虫检测对农业至关重要. 新的人工智能模型Attention-PestNet使用先进的注意力机制来更快,更准确地识别害虫,从而改善害虫监测.
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:
- 准确的昆虫害虫检测对于农业生产率至关重要,特别是在农业强度高的地区,以及有利于害虫繁殖的气候.
- 传统的害虫识别方法是劳动密集型,耗时,缺乏可扩展性,阻碍了在资源有限的环境中及时干预.
- 害虫物种之间的视觉相似性和物种内部在不同生命阶段的变异性在现实世界农业环境中对准确的检测提出了重大挑战.
研究的目的:
- 开发一种新且高效的深度学习模型,用于自动检测昆虫害虫.
- 通过基于注意力的机制来增强特征提取和检测性能.
- 为精准农业中智能害虫监测提供可扩展和具有成本效益的解决方案.
主要方法:
- 提出了Attention-PestNet,这是一级物体检测网络,包含两个关键的注意模块:分层缩放的点产品注意力和多级空间注意力.
- 层次化缩放的点-产品注意力利用多层次的机制来捕获不同尺度的害虫特征.
- 多尺度空间注意力通过使用横向和垂直的注意力路径来完善空间表征,并通过多尺度的最大集成来改善上下文理解.
主要成果:
- 与IP102和R2000公共基准模型相比,Attention-PestNet在IP102和R2000公共基准上表现优越.
- 该模型实现了更好的检测精度和可视化输出.
- 实验结果验证了拟议的注意模块在提高害虫检测能力方面的有效性.
结论:
- 注意-PestNet提供了一个有前途的解决方案,用于自动和准确的昆虫害虫检测.
- 该模型的设计解决了传统方法的局限性,提供了可扩展性和成本效益.
- 这种方法具有很大的潜力,可以集成到现代精密农业系统中,用于智能害虫管理.
