农业机械学报

作者：彭红星，徐慧明，高宗梅，田兴国，邓倩婷，咸春龙

单位：华南农业大学,华南农业大学,华盛顿州立大学,华南农业大学,华南农业大学,华南农业大学,

关键词：田间害虫检测;诱虫灯;YOLOF;自适应坐标注意力;多尺度特征

基金：国家自然科学基金项目（61863011、32071912）、广东省乡村振兴战略专项项目（2020KJ261）、广州市科技计划项目（202002020016）和广州市基础研究计划项目（202102080337）

田间害虫图像数据采集困难，并且传统的检测模型大多使用复杂的特征金字塔（Feature pyramid network，FPN）结构提升精度，这在一定程度上影响了检测的实时性。为此，本研究通过设计诱虫灯装置构建害虫数据集FieldPest5，并且对无FPN结构的检测器YOLOF进行改进，提出兼顾检测精度和效率的害虫检测模型YOLOF_PD。首先，增加Cutout数据增强方法缓解害虫图像中的遮挡问题，并且使用CIoU损失函数获得更好的框回归位置；其次，在原有坐标注意力机制（Coordinate attention，CA）的全局平均池化（Global average pooling，GAP）路径中增加全局最大池化（Global max pooling，GMP）路径，并且使用可学习参数自适应更新不同路径的权重，提出自适应坐标注意力机制（Adaptive coordinate attention，ACA），增强模型的信息表征能力；最后，对YOLOF膨胀编码器中的Projector和Residual模块进行改进，在Projector模块的3×3卷积后引入ACA注意力机制，在Residual模块中融合3×3的深度可分离卷积和1×1的逐点卷积，提出Dilated_Dwise_ACA编码器，提高YOLOF对小尺度害虫的检测性能。实验结果表明：改进后的YOLOF_PD模型在FieldPest5测试集上的平均精度均值（Mean average precision，mAP）为 93.7%，较改进前提升2.1个百分点，并且检测时图像传输速率为42.4f/s，能够满足害虫快速检测的要求。对比Cascade R-CNN、RetinaNet、ATSS等模型，YOLOF_PD模型在检测效果和检测速度方面均取得了良好性能。

来源：2023年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第4期