基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测

为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。

改进YOLOv5用于水稻害虫检测

水稻害虫的快速精准识别是对水稻田害虫防治的前提。利用水稻测报仪装置诱捕成虫进行拍摄识别,准确的识别结果可以为植保人员制定农药喷洒措施提供依据,但是由于水稻害虫具有目标尺度变化大的特性,导致现有检测器难以准确检测出水稻害虫中的小目标。针对识别水稻害虫成虫中小目标漏检错检的问题,本文构建了TsPest水稻害虫数据集,并且提出改进的YOLOv5算法Ts-YOLOv5。首先,在YOLOv5主干网络中添加CA注意力机制,通过结合空间和通道信息,提高对小目标的关注度,其次,利用Tscode解耦头将YOLOv5的分类和回归任务解耦,提高模型检测的效果。实验表明,在本文自制的TsPest水稻害虫数据集中,改进后的Ts-YOLOv5模型mAP50为89.3%,较改进前提升了3.2个百分点,其中稻纵卷叶螟、稻飞虱、二化螟的AP50值分别提升了1.1%、4.8%和3.9%。其中对于稻飞虱检测结果的提升,证明了改进后的算法能够有效提升小目标的检测能力。同时为了探究不同的注意力机制在YOLOv5主干网络不同位置添加后的效果,将ECA、SE、CBAM、CA注意力机制模块,分别加入主干网络的C3后、输出端、Bottleneck内进行实验,最后证明将CA、CBAM加入主干网络C3后对模型的提升效果最好。实验结果表明,改进后的YOLOv5模型可以提升对水稻害虫的检测能力,为水稻害虫检测系统提供技术支撑。