通过多尺度边缘网络和波束注意力增强来检测水害虫
1School of Software Engineering, Jiangxi University of Science and Technology, Nanchang, China.
Frontiers in plant science
|March 5, 2026
概括
这项研究介绍了BEAM-YOLO,这是一种用于检测水害虫的先进AI模型. 它显著提高了在复杂的农田中识别小型和相似的害虫的准确性.
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:
- 由于小目标,相似的外观和复杂的背景,检测水害虫具有挑战性.
- 现有的方法在现实世界现场条件下难以准确识别.
研究的目的:
- 开发一个高效,准确的深度学习模型来检测水害虫.
- 为了解决在杂乱的背景下识别小,形态相似的害虫的局限性.
主要方法:
- 拟议的BEAM-YOLO (双分支边缘注意力多尺度YOLO) 模型.
- 开发了JRICE-PD数据集,其中包括11种水害虫 (4,565张图像).
- 引入了四个新的模块:MEN,BAFE,EM-BFPN和SCAU,用于增强特征提取和小目标检测.
主要成果:
- BEAM-YOLO实现了86.6%的mAP@50和72.7%的mAP@50至95.0的时间.
- 超过YOLOv11的表现为3.3% (mAP@50) 和3.0% (mAP@50-95).
- 保持高效的计算开销和参数数量.
结论:
- BEAM-YOLO为智能农业害虫监测提供了一个强大的解决方案.
- 该模型为推进精准农业提供了可靠的算法支持.
- 这项研究增强了作物保护和产量优化的自动化系统.