YOLO-YSTs：一种基于改进YOLOv10n的实时农田害虫检测方法

主要观点总结

本文介绍了一种基于改进YOLOv10n模型的轻量级检测方法YOLO-YSTs，旨在解决在黄色粘虫板上害虫检测的挑战。通过使用SPD-Conv模块、iRMB注意力机制和Inner-SIoU损失函数改进YOLOv10n网络架构，该模型在平衡模型速度和精度的同时，解决了小目标和重叠目标的漏检和误检问题。实验结果表明，YOLO-YSTs模型在黄色粘虫板数据集上取得了良好的检测效果。

关键观点总结

关键观点1: 研究背景

深度学习技术，尤其是YOLO算法，在目标检测方面展现出了卓越的性能。YOLO算法通过单个网络同时进行目标定位和分类，实现了端到端的训练，兼顾准确性和实时性。当应用于害虫检测领域时，YOLO算法优于其他方法，彰显了其通用性。然而，YOLOv10在检测小型且密集的目标时可能会遇到漏检、误检或检测重叠等问题。

关键观点2: 方法概述

本研究旨在通过改进YOLOv10n模型来增强对小型且密集目标的检测能力。具体改进包括：使用SPD-Conv模块替代YOLOv10n模型中的步长卷积和池化操作，避免下采样过程中的信息丢失；在模型中添加iRMB注意力机制，平衡模型对局部细节特征和全局语义特征的关注；使用Inner-SIoU损失函数替代原来的CIoU损失函数，解决小型且重叠目标的漏检和误检问题。

关键观点3: 实验及结果

实验在搭载NVIDIA RTX 4070 GPU的Windows 11（64位）系统上进行，软件环境包括Python 3.11、CUDA 12.4以及PyTorch 2.4.1。实验结果表明，YOLO-YSTs模型在黄色粘虫板数据集上的精确率、召回率、mAP50和mAP50–95值分别达到了83.2%、83.2%、86.8%和41.3%，检测速度达到139FPS，GFLOPs仅为8.8。与YOLOv10n模型相比，mAP50提升了1.7%。与其他主流目标检测模型相比，YOLO-YSTs也取得了最佳的综合性能。

关键观点4: 实际应用

YOLO-YSTs模型被成功部署在树莓派4B上，用于检测黄色粘虫板上的害虫。该模型具有智能害虫监测设备的潜力，可以实时监测并报告害虫情况，为农业害虫综合管理提供技术支持。

免责声明