В настоящее время большинство исследований по обнаружению лесных вредителей основаны на традиционных алгоритмах машинного обучения, которые характеризуются низкой точностью и плохой эффективностью. В связи с этим предложена модель обнаружения лесных вредителей Pest-YOLOv4 на основе модели глубокого обучения YOLOv4. Для кластеризации приорных рамок использован алгоритм K-means++, что повысило среднее значение IoU приорных рамок. Комбинированы механизмы внимания ECA (Efficient Channel Attention) и CBAM (Convolutional Block Attention Module), сформировав механизм внимания ECA-CBAM, который позволяет сети уделять больше внимания признакам, полезным для обнаружения лесных вредителей. Переорганизована шея сети в SPP-PANet для интеграции информации признаков с разных областей восприятия. Функция потерь улучшена с применением идеи Focal Loss, что позволяет сбалансировать соотношение положительных и отрицательных образцов и сосредоточиться на обучении трудно различимых образцов. Результаты экспериментов показали, что модель Pest-YOLOv4 достигла mAP 90,4%, что на 4,2% выше по сравнению с YOLOv4, при этом FPS сохраняется на уровне 33,4 кадров в секунду, что удовлетворяет требованиям по точности и производительности для задач обнаружения лесных вредителей.

Обнаружение лесных вредителей;Глубокое обучение;Pest-YOLOv4;Механизм внимания;Focal Loss