改进YOLOv5用于水稻害虫检测

作者：陈炯; 刘建华^*

来源：信息技术与信息化, 2023, (07): 165-171.

• YOLOv5
• 解耦头
• 水稻害虫检测
• 深度学习
• 注意力机制

水稻害虫的快速精准识别是对水稻田害虫防治的前提。利用水稻测报仪装置诱捕成虫进行拍摄识别，准确的识别结果可以为植保人员制定农药喷洒措施提供依据，但是由于水稻害虫具有目标尺度变化大的特性，导致现有检测器难以准确检测出水稻害虫中的小目标。针对识别水稻害虫成虫中小目标漏检错检的问题，本文构建了TsPest水稻害虫数据集，并且提出改进的YOLOv5算法Ts-YOLOv5。首先，在YOLOv5主干网络中添加CA注意力机制，通过结合空间和通道信息，提高对小目标的关注度，其次，利用Tscode解耦头将YOLOv5的分类和回归任务解耦，提高模型检测的效果。实验表明，在本文自制的TsPest水稻害虫数据集中，改进后的Ts-YOLOv5模型mAP50为89.3%，较改进前提升了3.2个百分点，其中稻纵卷叶螟、稻飞虱、二化螟的AP50值分别提升了1.1%、4.8%和3.9%。其中对于稻飞虱检测结果的提升，证明了改进后的算法能够有效提升小目标的检测能力。同时为了探究不同的注意力机制在YOLOv5主干网络不同位置添加后的效果，将ECA、SE、CBAM、CA注意力机制模块，分别加入主干网络的C3后、输出端、Bottleneck内进行实验，最后证明将CA、CBAM加入主干网络C3后对模型的提升效果最好。实验结果表明，改进后的YOLOv5模型可以提升对水稻害虫的检测能力，为水稻害虫检测系统提供技术支撑。

• 出版日期2023
• 单位华北水利水电大学