超越单一感知的农田害虫检测算法MRA-YOLOX

来源：计算机工程与应用杂志2024年第16期北京时间：

作者：王中天, 邹颖波, 吴昌霖, 李新

单位：1.桂林理工大学 信息科学与工程学院，广西 桂林 541006；2.广西嵌入式技术与智能系统重点实验室，广西 桂林 541006

摘要：目标检测技术正逐步应用于农业，然而在农田害虫检测的运用中仍存在检测速度慢、检测准确率偏低的问题，且仅仅预测害虫的种类和位置信息不足以满足复杂的工程需求。提出一种可以额外预测害虫状态信息的融合MAE和YOLOX算法的高速高精度农田害虫检测模型MRA-YOLOX（masked autoencoders and rapid aim detection-exceeding YOLO）。算法构建包含近4万张图片以及5万余标注的数据集TDBFP（target detection dataset be used for farmland pests），TDBFP数据集标注了10种害虫的生长状态、物种类别以及位置，以便更好地把握害虫信息，从而更准确地制定对策。修改YOLOX模型的解耦头及loss，额外输出生长状态，以改进模型预测更多信息；将ECA（efficient channel attention）和SA（shuffle attention）注意力机制进行有机融合，并插入backbone与FPN（feature pyramid networks）的连接过程以及FPN的通道堆叠过程，以便能够增强获得全局信息和丰富上下文信息的能力，从而取得比单一注意力机制更好的效果；将MAE中自监督解码器部分插入YOLOX的数据增强部分，扩大感受野，增强识别细粒度，获得超越mixup和mosaic的数据增强效果。实验结果表明，当需要同时感知目标的状态、分类和位置时，MRA-YOLOX相较于原始YOLOX模型对于TDBFP数据集的检测精度mAP@0.5由60.1%上升到88.2%，平均检测准确率提高了18.8个百分点，且检测帧率达到145?FPS，可以用于更复杂的工程实践。

关键词：掩码自编码器（MAE）,注意力机制,YOLOX,害虫识别,状态检测