基于改进YOLOv4-tiny的节肢动物目标检测模型

针对自然环境下节肢动物背景复杂、形态万千、遮挡目标和目标尺度多样等因素，导致模型检测效率不高、边界框定位不准确的情况，提出一种基于改进YOLOv4-tiny的节肢动物目标检测模型。首先，结合空间、通道卷积注意力机制(CBAM),抑制背景噪声；其次，引入可变形卷积(DCN)以及改进的加权双向特征金字塔，重塑卷积和特征融合方式进行多尺度预测；最后，在FPN网络中引出一层Feat@3,嵌入空间金字塔池化结构，有效提取节肢动物的各种显著特征，使模型泛化能力更强，将改进后的模型命名为YOLOv4-tiny-ATO。实验结果表明，该模型在大小仅为54.6 Mb的前提下，很好地平衡了检测速度和检测精度，检测精度为0.725,检测速度达到89.6帧·s ^-1,召回率为0.585,较改进前相比YOLOv4-tiny模型，检测精度提高0.426,模型在模型大小、检测速度上更适用于移动端部署，模型检测精度也能达到应用标准，满足对节肢动物的检测需求。