摘要
棉花是世界上重要的经济作物之一，对中国和世界的经济发展都起着重要作用。在其生长过程中，虫害侵蚀现象贯穿了棉花的多个生长周期，导致其品质和产量都受到了威胁。目前棉花害虫的识别主要依靠人工诊断，费时费力且具有延迟性。近年来，人工智能发展迅速，智慧农业也随之发展，为实现棉花害虫的快速识别与实时监测提供了便捷，对精准防治棉花害虫，保证棉花正常生长发育具有重要意义。本研究基于深度学习对棉花害虫识别技术进行研究，提升了棉花害虫的识别效率，主要研究内容及结论如下： 针对棉花害虫目标密集、目标颜色与背景颜色相似的情况下，容易出现漏检、误检的问题，本文提出了基于改进YOLOv5s的高精度棉花害虫检测模型。该模型将原始YOLOv5s的主干网络CSP-Darknet53替换为ResNet50，使网络可以更好地理解图像中的语义信息，提高了目标密集情况下的检测准确率。针对部分害虫颜色与背景相似的问题，在颈部网络的C3模块中引入ECA注意力机制，构建ECA-C3模块，优化网络对通道信息的利用，使其更专注于对任务关键的特征，提高了模型在复杂背景下对目标的检测能力。使用Decoupled Head作为检测头，允许独立地处理目标类别和边界框位置的预测，提高了网络学习的灵活性和适应性。并在本文自制的棉花害虫数据集上进行实验。 为了降低计算成本，提升棉花害虫检测的效率。本文提出了基于改进YOLOv5s的轻量化棉花害虫检测模型。为了降低了参数冗余和计算成本，提高模型的参数利用率，引入了Ghostconv轻量级卷积。在主干网络中的C3模块与SPPF模块之间加入SE注意力机制，通过学习得到每个通道的权重，降低冗余特征对网络性能的影响，提高了网络对输入数据的敏感性，可以有效地学习和捕获棉花害虫的关键特征。在颈部网络中采用加权双向特征金字塔（BiFPN）网络，利用不同层级的特征信息，增强了特征融合能力，减少了信息丢失和混淆，降低了计算成本。并在本文自制的棉花害虫数据集上进行实验。 结果表明，基于改进YOLOv5s的高精度棉花害虫检测模型的mAP@0.5值达到了95.5%，相比较原始YOLOv5s模型，提高了3.6%。有效改善了目标密集和目标颜色与背景颜色相似情况下的害虫误检、漏检情况。基于改进YOLOv5s的轻量棉花害虫检测模型的mAP值达到了94.4%，参数量为5.91M。相比较原始YOLOv5s模型，mAP提高了2.5%，参数量降低了1.11M。在具有更低计算成本的同时提高了棉花害虫的检测精度，提升了检测效率，为准确、快速检测棉花害虫奠定了理论基础。
NETL