摘要
تستند معظم أبحاث الكشف عن آفات الغابات حالياً إلى خوارزميات التعلم الآلي التقليدية، والتي تعاني من مشكلات مثل الدقة المنخفضة والأداء الضعيف. لذلك، تم اقتراح نموذج كشف آفات الغابات Pest-YOLOv4 المعتمد على نموذج التعلم العميق YOLOv4. تم استخدام خوارزمية K-means++ لتجميع إطارات الأولوية، مما حسّن متوسط قيمة IoU لإطارات الأولوية. تم دمج ECA (الاهتمام بالقناة الفعّال) وCBAM (وحدة الانتباه الكتلي التلافيفي) لتشكيل آلية الانتباه ECA-CBAM، مما يجعل الشبكة تركز بشكل أكبر على الميزات المفيدة لكشف آفات الغابات. تم إعادة تنظيم جسم الشبكة لتكوين SPP-PANet، الذي يدمج معلومات الميزات الملتقطة عبر مجالات استقبال متعددة. تم تحسين دالة الخسارة باستخدام فكرة Focal Loss، مما يوازن بين نسب العينات الإيجابية والسلبية ويركز على تعلم العينات الصعبة التمييز. أظهرت نتائج التجارب أن نموذج Pest-YOLOv4 للكشف عن آفات الغابات حقق mAP بنسبة 90.4٪، بزيادة قدرها 4.2٪ مقارنة بـ YOLOv4، مع الحفاظ على معدل إطارات 33.4 إطار/ثانية، مما يلبي متطلبات دقة الكشف والزمن الحقيقي لمهام كشف آفات الغابات.
关键词
كشف آفات الغابات;التعلم العميق;Pest-YOLOv4;آلية الانتباه;Focal Loss
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website