典型文献
基于改进YOLOv4的葡萄叶片病害检测
文献摘要：
针对葡萄叶片病害检测漏检率高，检测效果不佳的问题，提出了一种基于YOLOv4模型改进的葡萄叶片病害识别算法YOLOv4-PSA-CA.改进算法引入PSA（Pyramid Split Attention）模块取代YOLO4网络中原有的3 × 3的卷积，实现多尺度特征提取；将CA（Coordinate Attention）模块嵌入颈部网络中，获取更丰富的跨通道信息和位置信息.为了验证改进算法的有效性，选取葡萄叶片常见的4种病害作为检测对象制作数据集，改进的YOLOv4算法在此数据集上平均准确率均值（mAP）达到84.07%，比原YOLOv4算法mAP提升了4.04%.实验结果表明，改进算法能够在实验环境和自然环境下对葡萄叶片病害进行有效检测，为葡萄病害及时精准防控提供了依据.
文献关键词：
YOLOv4模型;葡萄叶片病害;注意力机制
中图分类号：
作者姓名：
雷建云;叶莎;夏梦;郑禄;邹金林
作者机构：
中南民族大学 计算机科学学院 & 湖北省制造企业智能管理工程技术研究中心,武汉 430074
文献出处：
引用格式：
[1]雷建云;叶莎;夏梦;郑禄;邹金林-.基于改进YOLOv4的葡萄叶片病害检测
)[J].中南民族大学学报（自然科学版）,2022(06):712-719
A类：
YOLO4
B类：
YOLOv4,葡萄叶片病害,病害检测,测漏,漏检率,检测效果,模型改进,病害识别,识别算法,PSA,CA,改进算法,Pyramid,Split,Attention,多尺度特征提取,Coordinate,跨通道,位置信息,作数,平均准确率,mAP,实验环境,有效检测,葡萄病害,精准防控,注意力机制
AB值：
0.294456
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
