Atualmente, a maioria das pesquisas sobre detecção de pragas florestais baseia-se em algoritmos tradicionais de aprendizado de máquina, apresentando problemas de baixa precisão e desempenho ruim. Para isso, foi proposto um modelo de detecção de pragas florestais baseado no modelo de aprendizado profundo YOLOv4 — Pest-YOLOv4. O algoritmo K-means++ foi utilizado para agrupar caixas de prioridade, aumentando o valor médio do IoU das caixas de prioridade. A combinação de ECA (Efficient Channel Attention) e CBAM (Convolutional Block Attention Module) formou o mecanismo de atenção ECA-CBAM, fazendo com que a rede se concentre mais nas informações de características úteis para a detecção de pragas florestais. O pescoço da rede foi reorganizado, formando o SPP-PANet, que funde informações capturadas por múltiplos campos receptivos. A função de perda foi aprimorada utilizando a ideia do Focal Loss, equilibrando a proporção de amostras positivas e negativas enquanto foca no aprendizado de amostras difíceis de distinguir. Os resultados experimentais mostraram que o modelo Pest-YOLOv4 alcançou um mAP de 90,4%, um aumento de 4,2% em relação ao YOLOv4, mantendo FPS de 33,4 f/s, atendendo aos requisitos de precisão e tempo real para tarefas de detecção de pragas florestais.

Detecção de pragas florestais;Aprendizado profundo;Pest-YOLOv4;Mecanismo de atenção;Focal Loss