La majorité des recherches actuelles sur la détection des ravageurs forestiers reposent sur des algorithmes d'apprentissage automatique traditionnels, présentant des problèmes de faible précision et de mauvaise performance. Pour y remédier, un modèle de détection des ravageurs forestiers basé sur le modèle d'apprentissage profond YOLOv4, nommé Pest-YOLOv4, a été proposé. L'algorithme K-means++ a été utilisé pour le regroupement des boîtes prioritaires, améliorant ainsi la valeur moyenne de l'IoU des boîtes prioritaires. Une combinaison de ECA (Attention efficace aux canaux) et CBAM (Module d'attention par bloc convolutif) a formé le mécanisme d'attention ECA-CBAM, amenant le réseau à se concentrer davantage sur les caractéristiques favorables à la détection des ravageurs forestiers. Le cou du réseau a été réorganisé pour constituer SPP-PANet, fusionnant les informations de caractéristiques capturées par des champs récepteurs multiples. La fonction de perte a été améliorée en utilisant la pensée Focal Loss, équilibrant le ratio des échantillons positifs et négatifs tout en se concentrant sur l'apprentissage des échantillons difficiles à distinguer. Les résultats expérimentaux montrent que le modèle de détection de ravageurs Pest-YOLOv4 atteint un mAP de 90,4%, soit une amélioration de 4,2% par rapport à YOLOv4, avec un FPS maintenu à 33,4 f/s, répondant aux exigences de précision et de temps réel pour la détection des ravageurs forestiers.

Détection des ravageurs forestiers;Apprentissage profond;Pest-YOLOv4;Mécanisme d'attention;Focal Loss