基于改进 YOLOv5 的枸杞虫害检测

为了检测复杂环境下枸杞的虫害情况,提出基于改进YOLOv5m的模型.以下一代视觉转换器(Next-ViT)作为骨干网络,提高模型的特征提取能力,使模型更加关注关键目标特征.在模型颈部增加自适应融合的上下文增强模块,增强模型对上下文信息的理解与处理能力,提高模型对小目标(蚜虫)的检测精度.将颈部网络中的C3模块替换为C3_Faster模块,减少模型占用量并进一步提高模型检测精度.实验结果表明,所提模型的准确率和召回率分别为97.0%、92.1%,平均精度均值为94.7%;相比于YOLOv5m,所提模型的平均精度均值提高了1.9个百分点,蚜虫的检测平均精度提高了9.4个百分点.对比不同模型的平均精度均值,所提模型比主流模型YOLOv7、YOLOX、DETR、EfficientDet-D1、Cascade R-CNN分别高1.6、1.6、2.8、3.5、1.0个百分点.所提模型在提高检测性能的同时,模型占用量也保持在合理范围内.