文献类型： 中文期刊

作者： 邬开俊 ¹ ; 白晨帅 ¹ ; 杜建军 ² ; 张红娜 ³ ; 白晓凤 ¹ ;

作者机构： 1.兰州交通大学电子与信息工程学院

2.北京市农林科学院信息技术研究中心数字植物北京市重点实验室

3.内蒙古民族大学物理与电子信息学院

关键词： 中心检测;三重注意力模块;显著性裁剪混合;自适应池化技术;选择性多单元

期刊名称： 计算机工程与应用

ISSN： 1002-8331

年卷期： 2025 年 61 卷 016 期

页码： 324-336

收录情况： CSCD

摘要： 为了解决无人机航拍图片玉米植株中心检测所面临的诸多挑战，包括植株遮挡、形态多样、光照变化以及视觉混淆等问题，提升检测精度和模型的鲁棒性，开发了一种基于YOLO-TSCAS(YOLO with triplet-attention,saliencyadaptive,and centroid awareness for scenes)模型的玉米植株中心检测算法。该算法通过三重注意力模块、显著性裁剪混合数据增强方法、自适应池化技术和选择性多单元激活函数等技术手段，有效提高了检测精度和鲁棒性。采用三重注意力模块解决目标遮挡和视觉混淆问题，使模型能够更好地关注植株中心区域。采用显著性裁剪混合数据增强方法，在训练过程中引入不同的环境和光照变化，增强了模型对复杂场景的适应能力。结合自适应池化技术提高空间分辨率，有助于捕捉更精细的特征信息，提高检测的准确性。采用选择性多单元激活函数进一步增强了网络的学习能力，使模型能够更好地适应各种场景下的植株中心检测任务。实验结果表明，与现有的YOLOX算法相比，YOLO-TSCAS算法在平均准确率和平均F1值上分别提高了22.73个百分点和0.255，并且平均对数漏检率也显著降低了0.35。与其他流行的检测模型相比，在两类植株中心目标检测精度上也取得了最佳效果。