基于改进YOLOF模型的田间农作物害虫检测方法

田间害虫图像数据采集困难,并且传统的检测模型大多使用复杂的特征金字塔(Feature pyramid network,FPN)结构提升精度,这在一定程度上影响了检测的实时性.为此,本研究通过设计诱虫灯装置构建害虫数据集FieldPest5,并且对无FPN结构的检测器YOLOF进行改进,提出兼顾检测精度和效率的害虫检测模型YOLOF_PD.首先,增加Cutout数据增强方法缓解害虫图像中的遮挡问题,并且使用CIoU损失函数获得更好的框回归位置;其次,在原有坐标注意力机制(Coordinate attention,CA)的全局平均池化(Global average pooling,GAP)路径中增加全局最大池化(Global max pooling,GMP)路径,并且使用可学习参数自适应更新不同路径的权重,提出自适应坐标注意力机制(Adaptive coordinate attention,ACA),增强模型的信息表征能力;最后,对YOLOF膨胀编码器中的Projector和Residual模块进行改进,在Projector模块的3×3卷积后引入ACA注意力机制,在Residual模块中融合3×3的深度可分离卷积和1 × 1的逐点卷积,提出Dilated_Dwise_ACA编码器,提高YOLOF对小尺度害虫的检测性能.实验结果表明:改进后的YOLOF_PD模型在FieldPest5测试集上的平均精度均值(Mean average precision,mAP)为93.7％,较改进前提升2.1个百分点,并且检测时图像传输速率为42.4 f/s,能够满足害虫快速检测的要求.对比Cascade R-CNN、RetinaNet、ATSS等模型,YOLOF_PD模型在检测效果和检测速度方面均取得了良好性能.