典型文献
基于深度学习的林业害虫检测优化
文献摘要：
目前林业害虫检测研究多数基于传统机器学习算法,且存在精度低、效果差的问题.对此,提出了一种基于深度学习模型YOLOv4的林业害虫检测模型——Pest-YOLOv4.采用K-means++算法聚类先验框,提高了先验框avg-IoU值.将ECA(Efficient Channel Attention)和CBAM(Convolutional Block Attention Module)结合,构成ECA-CBAM注意力机制,使网络更多关注有利于林业害虫检测的特征信息.重新组织网络颈部,构成SPP-PANet,融合多重感受野捕获的特征信息.利用Focal Loss思想改进损失函数,在平衡正负样本比例的同时关注难区分样本的学习.实验结果表明,Pest-YOLOv4林业害虫检测模型mAP达到90.4％,相较于YOLOv4提高4.2％,FPS保持在33.4 f/s,满足林业害虫检测任务的检测精度与实时性要求.
文献关键词：
林业害虫检测;深度学习;Pest-YOLOv4;注意力机制;Focal Loss
中图分类号：
作者姓名：
赵严;刘应安;业巧林;周小亮
作者机构：
南京林业大学信息科学技术学院,江苏南京210037
文献出处：
引用格式：
[1]赵严;刘应安;业巧林;周小亮-.基于深度学习的林业害虫检测优化)[J].液晶与显示,2022(09):1216-1227
A类：
林业害虫检测
B类：
机器学习算法,深度学习模型,YOLOv4,检测模型,Pest,means++,先验框,avg,IoU,ECA,Efficient,Channel,Attention,CBAM,Convolutional,Block,Module,注意力机制,注有,特征信息,新组织,组织网络,SPP,PANet,感受野,Focal,Loss,损失函数,正负样本,分样,mAP,FPS,检测精度
AB值：
0.335198
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。
