基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测

来源：农业工程学报杂志2021年第21期北京时间：

作者：胡根生,吴继甜,鲍文霞,曾伟辉,

摘要：茶叶的产量和品质深受病虫害的影响。茶尺蠖是一种常见的茶叶害虫，精确检测茶尺蠖对茶叶病虫害防治有重要意义。由于茶尺蠖和茶树枝、枯死茶叶的颜色、纹理相近，茶尺蠖的体积小、形态多变、被遮挡等问题，现有方法检测茶尺蠖的精度不高。该研究提出一种基于深度学习的复杂背景图像中茶尺蠖检测方法，该方法使用YOLOv5为基线网络，利用卷积核组增强对茶尺蠖的特征提取，在不增加计算量的条件下减少复杂背景对茶尺蠖检测结果的干扰；使用注意力模块关注茶尺蠖整体，根据茶尺蠖的大小和形状自适应调节感受野，降低因目标大小形状不一导致的漏检；使用Focal loss损失函数减少前景和背景的类不平衡对检测结果的影响。试验结果表明，所提方法用于复杂背景图像中茶尺蠖的检测，可以达到0.94的召回率，0.96的精确度和92.89%的平均精度均值。与基线网络相比，该方法的平均精度均值提高了6.44个百分点。使用相同的数据集和预处理的对比分析表明，该方法优于SSD、Faster RCNN和YOLOv4等其他经典深度学习方法，平均精度均值比SSD、Faster RCNN、YOLOv4分别高17.18个百分点、6.52个百分点和4.78个百分点。该方法可实现对茶尺蠖的智能检测，减少人力成本，有助于实现精准施药，提高茶叶的产量和品质。

关键词：农业, 算法, 目标检测, 深度学习, 卷积核组, 注意力模块, 茶尺蠖