Derzeit basieren die meisten Forschungen zur Erkennung von Forstschädlingen auf traditionellen maschinellen Lernalgorithmen, die Probleme wie geringe Genauigkeit und schlechte Leistung aufweisen. Daher wurde ein auf dem Deep-Learning-Modell YOLOv4 basierendes Forstschädlings-Erkennungsmodell namens Pest-YOLOv4 vorgeschlagen. Der K-means++-Algorithmus wurde verwendet, um Prioritätsrahmen zu clustern und den durchschnittlichen IoU-Wert der Prioritätsrahmen zu erhöhen. Die Methoden ECA (Efficient Channel Attention) und CBAM (Convolutional Block Attention Module) wurden kombiniert, um den ECA-CBAM-Aufmerksamkeitsmechanismus zu bilden, der das Netzwerk dazu bringt, sich stärker auf für die Schädlingsdetektion relevante Merkmale zu konzentrieren. Der Netzwerkrumpf wurde neu organisiert und bildet SPP-PANet, das Merkmalsinformationen aus mehreren Rezeptorfeldern integriert. Die Verlustfunktion wurde mithilfe des Focal-Loss-Ansatzes verbessert, um das Verhältnis zwischen positiven und negativen Beispielen auszubalancieren und dabei schwer unterscheidbare Beispiele beim Lernen zu berücksichtigen. Die Experimentergebnisse zeigen, dass das Pest-YOLOv4-Forstschädlings-Erkennungsmodell eine mAP von 90,4 % erreicht, was eine Steigerung um 4,2 % gegenüber YOLOv4 bedeutet. Die FPS bleibt bei 33,4 f/s und erfüllt die Anforderungen an Genauigkeit und Echtzeitfähigkeit bei der Forstschädlingsdetektion.

Forstschädlingsdetektion;Deep Learning;Pest-YOLOv4;Aufmerksamkeitsmechanismus;Focal Loss