典型文献
基于YOLOv5的林业有害生物检测与识别
文献摘要：
林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键.快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环境建设的危害.为此提出一种深度学习方法,利用当前强大的目标检测算法YOLOv5来实现林业有害生物的检测与识别,针对害虫图像中经常出现重叠和遮挡物体问题,采用DIoU NMS算法对目标框进行选择,增强被遮挡害虫的检测识别准确率.试验结果表明,YOLOv5算法模型能够有效识别数据集中包含的9种林业有害生物,精确度达到了0.973,召回率达到了0.929,均值平均精度(mean Average Precision,mAP)达到了0.942.与YOLOv3和Faster-RCNN相比,mAP比YOLOv3高0.04,比Faster-RCNN高0.087,充分显现出该模型的识别精度高,且实时性好,鲁棒性强.
文献关键词：
林业害虫;识别;检测;YOLOv5算法;准确率
中图分类号：
作者姓名：
孙丽萍;谭少亨;周宏威;邹青池
作者机构：
东北林业大学机电工程学院,哈尔滨 150040;辽宁省天然林保护中心,沈阳 110036
文献出处：
引用格式：
[1]孙丽萍;谭少亨;周宏威;邹青池-.基于YOLOv5的林业有害生物检测与识别)[J].森林工程,2022(05):104-109,120
A类：
B类：
YOLOv5,生物检测,检测与识别,林业生态环境,生态环境监测,生态健康,健康可持续发展,森林资源保护,林业有害生物防控,防控体系,生物能,森林病虫害,林业生产,生态环境建设,深度学习方法,目标检测算法,经常出现,遮挡物体,DIoU,NMS,检测识别,识别准确率,算法模型,别数,召回率,均值平均精度,mean,Average,Precision,mAP,YOLOv3,Faster,RCNN,显现出,识别精度,林业害虫
AB值：
0.360462
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。
