基于YOLOv5n和CBAM注意力机制的农作物病虫害检测方法研究

【摘要】 农作物病虫害的及时监测是确保农业生产稳定与食品安全的关键环节。传统的病虫害检测方法依赖人工巡查，劳动强度大且效率低，且受人为因素影响较大。本研究提出了一种基于YOLOv5n的农作物病虫害检测方法，以YOLOv5n模型为基础，融合了CBAM注意力机制以提高作物病害的检测性能。首先，在特征融合阶段改进了原始模型的C3结构，该结构可以分别提取每个网络层的全局和局部特征，并且CBAM结构可以更好地融合语义和尺度不一致的特征以增强网络全局信息的提取。训练过程中，通过调整学习率、批次大小等参数，确保模型能够快速收敛并在不同场景下保持较高的识别准确率。系统测试结果表明，相较于其他同类模型，优化后的YOLOv5n模型在多个病虫害类型的检测中表现出较高的准确率和较低的误报率。该检测系统能够快速、准确地识别病虫害，极大地提高了检测效率与准确度，具备广泛的应用前景，特别是在大规模农业生产中，能够为农民提供高效的病虫害监测手段，从而促进农业的可持续发展。更多还原