現在の林業害虫検出研究はほとんどが従来の機械学習アルゴリズムに基づいており、精度が低く効果が悪いという問題がある。これに対して、深層学習モデルYOLOv4に基づく林業害虫検出モデルPest-YOLOv4を提案した。K-means++アルゴリズムを用いて事前枠をクラスタリングし、事前枠の平均IoU値を向上させた。ECA（Efficient Channel Attention）とCBAM（Convolutional Block Attention Module）を組み合わせてECA-CBAM注意機構を構成し、ネットワークが林業害虫検出に有益な特徴情報により注目するようにした。ネットワークのネック部分を再構成してSPP-PANetとし、多重受容野で捉えた特徴情報を融合した。Focal Lossの考え方を用いて損失関数を改良し、正負サンプルの割合を調整するとともに識別が困難なサンプルの学習に注力した。実験結果は、Pest-YOLOv4林業害虫検出モデルがmAP90.4%を達成し、YOLOv4に比べ4.2%向上し、FPSは33.4 f/sを維持し、林業害虫検出タスクの検出精度とリアルタイム性の要件を満たすことを示した。

林業害虫検出;深層学習;Pest-YOLOv4;注意機構;Focal Loss