基于YOLOT网络的小目标检测

当前以大数据、深度学习、算力为基础的目标检测在智能农业、人脸识别、安防监控、行人检测、车辆检测等领域有着广泛的应用。特别是农业中的蔬果发育及采摘、病虫杂草识别、产量预测等应用都将有力地支撑着智能农业蓬勃的发展。但是农业中小型瓜果蔬菜等小目标在采集的图像中所占像素太少、覆盖区域不足、携带信息少等问题导致识别率不高,出现漏检、误检等错误。文章提出一个基于YOLOv5改进的卷积神经网络YOLOT。第一:YOLOT改进了YOLOv5网络并添加了注意力机制在Backbone中,提高了其对小目标特征提取的有效度。第二:针对小目标浅层信息与深层信息相差较大,改进了特征金字塔,使其准确率有了明显提高。第三:针对小目标占比像素过少,优化了锚框。综合上述改进以及实验对比,笔者提出的YOLOT网络对农业中小型目标的检测率明显优于YOLOv5检测算法。