文件大小：1.26M
摘要：针对复杂环境下棉田杂草检测与识别困难等问题，提出一种改进YOLOv5的棉田杂草检测算法CST-YOLOv5。首先通过数据增强算法来解决棉田杂草样本分布不均衡导致模型训练效果不充分。其次，在主干网络中加入坐标注意力机制，考虑通道信息和方向位置信息。最后在颈部网络中将SwinTransformerBlock引入到C3模块，得到新的C3STR模块，以保留全局上下文信息和多尺度特征。实验结果表明，改进后的CST-YOLOv5模型mAP值达到95.1%，F1因子达到90.4%，对比于原YOLOv5模型分别提高了4.8%、3.2%。算法具有良好的鲁棒性，能对多类杂草精确识别。
文章目录
0 引言
1 材料和方法
1.1 数据采集
1.2 Yolov5网络模型
1.3 改进CST-YOLOv5网络模型
1.3.1 数据增强
1.3.2 CA(Coordinate Attention)坐标注意力机制
1.3.3 SwinTransformerBlock的C3STR模块
2 结果与分析
2.1 实验平台
2.2 评价指标
2.3 实验结果
3 结 论
