典型文献
基于改进的YOLOv4-GhostNet水稻病虫害识别方法
文献摘要：
针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧.通过试验将YOLOv4及其Mo-bileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38％,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上.
文献关键词：
水稻病虫害检测;GhostNet网络;YOLOv4;轻量化;迁移学习
中图分类号：
作者姓名：
周维;牛永真;王亚炜;李丹
作者机构：
东北林业大学信息与计算机工程学院,黑龙江 哈尔滨 150040
文献出处：
引用格式：
[1]周维;牛永真;王亚炜;李丹-.基于改进的YOLOv4-GhostNet水稻病虫害识别方法)[J].江苏农业学报,2022(03):685-695
A类：
水稻病虫害检测,幻象模块
B类：
YOLOv4,GhostNet,病虫害识别,检测精度,速度慢,模型复杂度,目标检测算法,主干特征提取网络,CSPDarkNet53,PANet,迁移学习,网络训练,训练技巧,Mo,bileNet,轻量化网络,Faster,RCNN,SSD,模型平均,平均准确率,检测速度,模型权重,减为,MB,模型参数量,大幅度降低,计算能力,嵌入式设备
AB值：
0.291289
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。
