文献类型：期刊文章

作　　者：张楠楠[1,2] 张晓[2,3] 白铁成[2,3] 尚鹏[2,3] 王文瀚[2,3] 李莉[4]

ZHANG Nannan;ZHANG Xiao;BAI Tiecheng;SHANG Peng;WANG Wenhan;LI Li(Key Laboratory of Smart Agriculture System Integration,Ministry of Education,China Agricultural University,Beijing 100083,China;College of Information Engineering,Tarim University,Alar 843300,China;Key Laboratory of Tarim Oasis Agriculture(Tarim University),Ministry of Education,Alar 843300,China;Key Laboratory of Agricultural Information Acquisition Technology,Ministry of Agriculture and Rural Affairs,China Agricultural University,Beijing 100083,China)

机构地区：[1]中国农业大学智慧农业系统集成研究教育部重点实验室,北京100083 [2]塔里木大学信息工程学院,阿拉尔843300 [3]塔里木绿洲农业教育部重点实验室(塔里木大学),阿拉尔843300 [4]中国农业大学农业农村部农业信息获取技术重点实验室,北京100083

出　　处：《农业机械学报》

基　　金：国家自然科学基金项目(61640413、32101621);兵团财政科技计划项目(2021BB023-02、2022CB001-05)

年　　份：2023

卷　　号：54

期　　号：S01

起止页码：239-244

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法(CBAM-YOLO v7)。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明:蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26 ms,可为棉叶病害在线监测提供理论基础。

关 键 词：棉叶 病虫害 目标检测 注意力机制  YOLO v7  

分 类 号：TP391.4] S436.629[计算机类]