一种基于YOLOv5的农业害虫检测方法

• 全文链接
• 请求原文

作   者：

李宗柱;  宋绍剑;  李修华; 

作者机构：

广西大学电气工程学院; 

关键词：

注意力机制;  YOLOv5;  害虫识别;  数据增强;  多尺度特征提取; 

期刊名称：

植物保护

i s s n：

0529-1542

年卷期：

2025 年 51 卷 001 期

页   码：

111-122

摘   要：

虫害是影响农作物产量的重要因素之一，害虫种类的精确识别已成为农业领域目标检测的重要研究课题。但由于害虫样本存在类间相似，标注的害虫样本尺度多样、背景复杂和类别分布不均匀等问题，使害虫的精准识别面临严峻挑战。为此，本文提出一种基于YOLOv5改进模型的农业害虫检测新方法。首先，引入了一种新型特征金字塔(feature pyramid attention, FPA)模块，用于替换基准YOLOv5主干网络的空间金字塔池化(spatial pyramid pooling, SPP)模块。该模块能够进行不同尺度的特征提取，并将提取的特征拼接作为注意力机制指导网络进行细粒度特征提取。然后，在YOLOv5主干网络输出层的特征提取过程中插入全局注意力上采样(global attention upsampling, GAU)模块，用高级特征的全局信息来指导模型从复杂背景中提取特征，使得模型能够从低级特征中更精准地提取类别定位细节特征，进而提高模型的识别精度。本文在IP102害虫数据集上进行算法验证，结果表明，与现有的多尺度注意学习网络(multiscale attention learning network, MS-ALN)相比准确率提升了3.21百分点。