大白菜是农业生产中重要的蔬菜作物之一,虫害会严重威胁到大白菜的生长,也会影响到产量与种植者的经济收入.传统大白菜虫害识别技术存在对图像特定特征依赖性强、识别效率低等问题.为此,针对大白菜虫害目标检测和分类过程中最常见的几类问题,研究了常见典型虫害进行智能识别的深度学习方法,进一步通过实验验证有效性.本文的主要研究内容可概括如下:针对已有目标检测方法准确率有待提高的问题,本文在建立了大白菜虫害数据集的基础之上,1、通过引入CBAM注意力机制,使得研究中能够明确不同特征之间的关系,提高整体的精确度.2、改进Yolov8主干网络,将国产旷视科技团队在 2018 年提出的轻量级网络ShuffleNetV2替换Yolov8主干网络.实验结果表明所提出的方法的识别精度达到了 98.8%,推断速度上达到8.30it/s,对比实验证明了基于改进的YOLOV8深度学习模型的大白菜害虫识别方法的有效性.
NETL
NSTL
万方数据
