文献类型： 中文期刊

作者： 徐相华 ¹ ; 周德靖 ² ; 余超然 ³ ; 熊万杰 ² ; 熊韵诗 ² ; 吴柏颖 ² ; 郑璇珠 ² ; 区德源 ² ;

作者机构： 1.华南农业大学基础实验与实践训练中心

2.华南农业大学人工智能学院

3.广东省农业科学院蔬菜研究所

关键词： 病虫害树木;无人机检测;动态通道注意力;轻量化;GhostNetv2;DCA-YOLO

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2025 年 56 卷 010 期

页码： 479-491

收录情况： EI ; 北大核心 ; CSCD

摘要： 针对农业无人机在低空环境对受病虫害侵染的树木进行多尺度目标检测与定位时精度、准度不高与计算开销过大等问题，提出了一种适用于低空作业的改进目标检测算法DCA-YOLO。首先引入DCA动态通道注意力机制，与双分支协同注意力一同动态调整特征的学习权重，增强对目标多尺度特征与上下文信息的感知能力；在P2层添加小目标增强检测模块，并在P2、P4层的检测头处添加DCA注意力机制，有效优化中小目标的检测性能；引入Inner-IoU损失函数，提高在复杂环境背景下易混淆目标的精细识别能力。为保证模型的流畅运行，使用轻量化的GhostNetv2优化主干网络，将模型参数量减少至2.34×10～6,轻量化效果显著。使用改进的BiFPN优化颈部网络以进一步增强特征的重学习能力。实验结果表明：相比于原模型，DCA-YOLO在增广验证集上的mAP0.5提高5.2个百分点，检测精度提高5.6个百分点，召回率提高7.1个百分点，同时参数量降低6.7×10～5,浮点计算量减少26.4%,内存占用量减少16.2%,最终保持87.6%的精确率，87.4%的召回率，93.1%的平均精度均值，得到DCA的通道动态权重分配贡献度(0.41±0.07)与负样本抑制能力(-0.12±0.03),在模型轻量化的条件下有效地优化误检漏检的缺陷。DCA-YOLO通过多模块协同改进显著提高模型精度，可满足农业无人机对病虫害侵染的树木进行实时高精度检测的应用需求。