基于深度学习的农业害虫小目标检测算法研究.pdfVIP

基于深度学习的农业害虫小目标检测算法研究

摘要

中国农业长期受虫害困扰，影响产量和质量。传统检测依赖人工，因地域广、害虫

多而低效高成本。机器学习识别虽有进步，但鲁棒性不足，难以适应复杂环境。因此，

基于深度学习自动检测害虫意义重大，自然环境中害虫体积小、形态颜色多变以及光照

气候等条件也常变化，这些因素均为害虫检测带来挑战。

本文基于深度学习的害虫小目标检测方法，从网络结构、检测头、注意力机制和损

失函数等方面进行优化，以提升农业害虫检测性能为目标，采用单阶段目标检测模型，

提出了一种针对害虫小目标的高效检测算法。本文主要工作如下：

（1）提出了一种基于大特征融合与可变形动态检测头的害虫检测方法。由于农田中

的害虫通常体积小、数量多，且容易受到农作物的遮挡，这使得害虫检测的精度受到较

大限制。针对这一问题，本文首先对颈部网络结构进行了优化，增设了小目标检测头，

以便更好的利用大特征图。同时，去掉了用于大目标检测的检测头，这不仅提高了检测

精度，还减小了模型的参数量。此外，为了进一步增强模型的检测能力，本文还引入了

DCNv4对Dyhead检测头进行了优化。这一改进显著增强了Dyhead检测头的多尺度特

征融合能力，并提升了其空间变形能力，实现了结构的自适应调整。这些优化提升了模

型整体的检测性能，并使模型对于重叠或遮挡害虫的检测能力得到了提升。

（2）提出了一种基于大核可分离核注意力与改进损失函数的害虫检测方法。在前面

改进的基础上，针对复杂环境害虫小目标检测中存在的问题，本文采取了以下措施：首

先，为了增强模型对害虫特征的关注度，并减少背景噪声的干扰，本文在YOLOv8n的

主干网络中引入了SPPF-LSKA模块。该模块使得模型能够更准确地捕捉害虫的特征信

息，减少背景噪声，进而提升对小目标的关注。其次，为了解决简单和困难样本不平衡

的问题，本文通过引入（指数移动平均,EMA）优化SlideLoss损失函数得到的EMASl

ideLoss，不仅使得模型能够自适应地调整样本阈值，还能够平滑损失函数的波动，从而

有效地提升了模型的检测性能。

【关键词】：小目标检测；特征融合；检测头；注意力机制；损失函数

ResearchonSmallTargetDetectionAlgorithm

forAgriculturalPestsBasedonDeepLearning

Abstract

Chineseagriculturehaslongbeenplaguedbypests,affectingbothyieldandquality.

Traditionaldetectionmethodsrelyonmanuallabor,whichisinefficientandcostlyduetothe

vastgeographicalareasandthevarietyofpestsinvolved.Althoughtherehasbeenprogressin

machinelearningforpestidentification,itsrobustnessisinsufficient,makingitdifficulttoadapt

tocomplexenvironments.Therefore,automaticpestdetectionbasedondeeplearningisofgreat

significance,aspestsinnaturalenvironmentsaresmall,varyinshapeandcolor,andareaffected

byconstantlychangingconditionssuchaslightingandclimate,allofwhichposechallenges

forpestdetection.

Thisthesisfocusesonadeeplearning-basedsmall-targetpestdetectionmethod