大田环境下的农业害虫图像小目标检测算法阅读提要（YOLOv5+注意力+BiFPN+Loss改良）

本文链接：https://blog.youkuaiyun.com/a695149950/article/details/136418909

本文介绍了一种针对大田环境中小目标害虫检测的改进算法Pest-YOLOv5，通过引入坐标注意力机制、BiFPN结构和优化的损失函数，显著提高了小目标检测的精度和召回率。实验结果显示，Pest-YOLOv5在AgriPest数据集上优于经典模型如YOLOv5s和SSD等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

研究领域：目标检测、虫害检测
论文题目：大田环境下的农业害虫图像小目标检测算法
作者：蒋心璐 ; 陈天恩 ; 王聪 ; 李书琴 ; 张宏鸣 ; 赵春江
出版期刊(会议)：计算机工程与应用
时间：2023

研究背景

#(重点叙述问题的提出、简要叙述有哪几个创新点)
本文致力于解决田间复杂问题下小目标害虫难以检测和目标遗漏的问题。小目标对边框的偏移更加敏感，因此使用SIoU计算边框交互比以减少预测框震荡情况。使用VFL函数计算目标置信度和分类损失以解决样本不平衡问题。大田环境存在各种颜色、体型与目标害虫相似的干扰物，这种情况下小目标害虫检查任务难度高，所以引入注意力机制让网络更加关注目标害虫的相关信息。
创新点：
提出了一种改进YOLOv5的小目标害虫检测算法Pest-YOLOv5，以提高害虫测报的灵活性。
在特征提取网络中增加坐标注意力机制，通过结合空间和通道信息，增强对小目标害虫特征的提取能力，在颈部连接部分使用加权的双向特征金字塔网络结构，通过融合多尺度特征，缓解多次卷积带来的小目标信息丢失问题。
使用SIoU计算边框交并比(IoU)减少预测框震荡情况，变焦损失(VEF)计算目标置信度损失和分类损失解决样本不平衡问题，同时通过实验得到最优分类损失权重系数，提高小目标害虫检测精度和网络收敛速度。