基于通道和空间协同注意的小目标害虫检测方法和系统技术方案

本发明专利技术涉及目标检测领域，公开了一种基于通道和空间协同注意的小目标害虫检测方法和系统，所述方法包括：获取目标数据集：将所述目标数据集按8:1:1的比例划分为训练集、验证集和测试集；将YOLOv8模型作为基础模型，对所述YOLOv8模型进行改进，构建小目标害虫检测模型CSCA‑YOLO；分别利用训练集和验证集对所述CSCA‑YOLO模型进行训练和调参，直至模型的损失函数收敛，得到训练好的CSCA‑YOLO模型；将测试集图像输入到训练好的CSCA‑YOLO模型中进行目标检测，输出害虫目标的检测结果。所述系统包括：获取模块、构建模块、训练模块和检测模块。本发明专利技术通过对小目标害虫特点进行分析，基于这些特点对YOLOv8模型进行改进，构建出能够适用于对于害虫等小目标进行检测的CSCA‑YOLO模型，利用所述CSCA‑YOLO模型进行害虫目标检测，能够在较低的计算开销下，降低了小目标害虫的漏检率，提高小目标的检测能力，进一步提升检测精度。

【技术实现步骤摘要】

本专利技术属于目标检测领域，具体涉及一种基于通道和空间协同注意的小目标害虫检测方法和系统。

技术介绍

1、由于害虫种类繁多、农田种植面积大，人工识别定位害虫存在费时、费力、主观性强、易出错等问题，因此，开展准确高效的害虫检测的技术研究势在必行。

2、现阶段基于深度学习的害虫检测技术可分为两大类：基于两阶段害虫检测方法和基于单阶段害虫检测方法。两阶段检测方法框架主要由卷积神经网络和区域建议网络组成，例如r-cnn、faster r-cnn、mask r-cnn等，检测精度较高但存在检测速度慢、参数量大、存储计算成本高等问题。而单阶段检测方法在提取到的卷积特征后直接进行分类和回归，例如yolo系列、ssd、retinanet等，没有区域建议网络，因此大大提升了算法检测速度，但检测精度较低。后续研究者们为了兼顾检测速度的同时提高单阶段检测准确率做了不少的工作，包括采用轻量级网络模型、引入尺度特征融合、优化损失函数等等。然而现有大多数害虫检测算法主要应用在测报灯等简单受控环境条件下，尚未探索真实田间环境下农作物害虫检测的能力，特别是复杂背景下小目标的农本文档来自技高网...

【技术保护点】

1.基于通道和空间协同注意的小目标害虫检测方法，其特征在于，包括：

2.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述YOLOv8模型进行改进，包括：

3.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述YOLOv8模型进行改进，包括：

4.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，将所述待检测数据集的图像输入所述CSCA-YOLO模型进行目标检测之前，所述方法还包括：

5.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，...

【技术特征摘要】

1.基于通道和空间协同注意的小目标害虫检测方法，其特征在于，包括：

2.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述yolov8模型进行改进，包括：

3.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述yolov8模型进行改进，包括：

4.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，将所述待检测数据集的图像输入所述csca-yolo模型进行目标检测之前，所述方法还包括：

5.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，所述csca-yolo模型的损失函数的表达式如下所示：

6.基于通道和空间协同...

【专利技术属性】
技术研发人员：贺丽君，刘秋杨，李凡，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：