轻量化 YOLO模型在农作物微小病虫害检测中的应用研究

针对农作物病虫害检测中早期微小病虫害变化目标识别准确率不高的问题,提出一种轻量化农作物微小病虫害检测算法 YOLO-MobileNet-CBAM。该算法采用 MobileNetV3轻量级卷积模块替换 YOLOv5s的主干提取网络来降低参数运算量,并引入 CBAM注意力机制从通道和空间两个维度对重要的特征提取进行强化,有效增强小目标的聚焦准确度。卷积模块中用 H-SiLU代替原模型的 SiLU激活函数提高训练速度,避免梯度消失问题。通过将 SIoU函数代替原模型中的 GIoU函数计算预测框回归损失,将形状损失计算在内,进一步提高小目标定位精度。通过特征金字塔输出 4个不同尺度的检测头识别大面积病害、微小病害及虫害目标,增加微小目标的检测精度。结果表明,YOLO-MobileNet-CBAM在微小病虫害目标检测任务中精确率达 92. 38%,召回率达 90. 24%,平均精度大于 90%。实现模型轻量化,同时有效提高检测精确度,为手持式终端检测应用提供技术支持。