현재 임업 해충 탐지 연구는 대부분 전통적인 머신러닝 알고리즘에 기반하며, 정확도가 낮고 성능이 좋지 않은 문제가 있다. 이에 딥러닝 모델 YOLOv4를 기반으로 한 임업 해충 탐지 모델 Pest-YOLOv4가 제안되었다. K-means++ 알고리즘을 사용하여 우선 박스를 클러스터링하여 우선 박스의 평균 IoU 값을 향상시켰다. ECA(Efficient Channel Attention)와 CBAM(Convolutional Block Attention Module)를 결합하여 ECA-CBAM 주의 메커니즘을 구성, 네트워크가 임업 해충 탐지에 유리한 특징 정보에 더 집중하도록 하였다. 네트워크 목 부분을 재조직하여 SPP-PANet을 구성하고 다중 수용 영역에서 포착한 특징 정보를 융합하였다. Focal Loss 개념을 활용해 손실 함수를 개선해 양성 및 음성 샘플 비율을 균형 있게 조절하면서 구분이 어려운 샘플 학습에 집중하였다. 실험 결과, Pest-YOLOv4 임업 해충 탐지 모델은 mAP 90.4%를 달성하였으며 YOLOv4 대비 4.2% 향상되었고, FPS는 33.4 f/s를 유지하여 임업 해충 탐지 작업의 정확도와 실시간 요구를 충족하였다.

임업 해충 탐지;딥러닝;Pest-YOLOv4;주의 메커니즘;Focal Loss