YOLO-DCPG:一个轻量级的架构,双通道共享封闭的注意力,用于密集的小目标农业害虫检测

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:

• 准确的农业害虫鉴定对于有效的害虫监测和管理至关重要.
• 现有的害虫检测模型通常具有高的计算需求,阻碍其在边缘设备上的使用.
• 对现实世界农业应用而言,需要轻量级,高效的病虫检测解决方案.

研究的目的:

• 开发一种轻量级且计算效率高的农业害虫检测模型.
• 为智能监测系统提高害虫识别的准确性和速度.
• 为了使资源有限的边缘设备能够部署先进的害虫检测能力.

主要方法:

• 拟议的YOLO-DCPG模型基于YOLOv8n,包含一个双通道聚合关闭注意力 (DCPGAttention) 模块,用于增强全球信息捕获.
• 使用轻量级的StarNet骨干来提取特征,以及一个小子特征融合模块,以及一个改进的双向特征金字塔网络 (a-BIFPN) 和GSConv.
• 在WIoU损失函数中集成的Inner-IoU用于精确的界限框回归,特别是在小型害虫地区.

主要成果:

• 在Pest24数据集上,YOLO-DCPG实现了80.1%的精度,74%的mAP@50,47.5%的mAP@50~95,超过了基线YOLOv8n.
• 显著降低了模型复杂性,参数减少了51.2%,GFLOP减少了30.1%,模型尺寸更小了46.7%.
• 在Raspberry Pi 4B上成功部署,证明了稳定,实时的害虫检测能力.

结论:

• 拟议的YOLO-DCPG模型为轻量化农业害虫检测提供了实用和有效的解决方案.
• 该模型的计算成本降低和高精度使其适合在智能农业的边缘设备上部署.
• 通过高效的实时病虫识别,YOLO-DCPG促进了智能病虫监测和管理.