Actualmente, la mayoría de las investigaciones sobre la detección de plagas forestales se basan en algoritmos tradicionales de aprendizaje automático, que presentan problemas de baja precisión y mal rendimiento. Para ello, se propuso un modelo de detección de plagas forestales basado en el modelo de aprendizaje profundo YOLOv4, llamado Pest-YOLOv4. Se utilizó el algoritmo K-means++ para agrupar los cuadros prioritarios, aumentando el valor promedio de IoU de estos cuadros. Se combinó ECA (Atención Eficiente de Canal) y CBAM (Módulo de Atención por Bloque Convolucional) para formar el mecanismo de atención ECA-CBAM, haciendo que la red se centre más en las características útiles para la detección de plagas forestales. Se reorganizó el cuello de la red para formar SPP-PANet, que fusiona la información de características capturada por campos receptivos múltiples. Se mejoró la función de pérdida utilizando la idea de Focal Loss, equilibrando la proporción de muestras positivas y negativas mientras se presta atención al aprendizaje de muestras difíciles de distinguir. Los resultados experimentales muestran que el modelo Pest-YOLOv4 para la detección de plagas forestales alcanza un mAP del 90,4%, un aumento del 4,2% en comparación con YOLOv4, manteniendo una velocidad de 33,4 fps, satisfaciendo los requisitos de precisión y tiempo real para la detección de plagas forestales.

Detección de plagas forestales;Aprendizaje profundo;Pest-YOLOv4;Mecanismo de atención;Focal Loss