基于YOLOv3的农田鸟类目标检测算法

针对近年来鸟类啄食对农业生产带来的损失，通过实时检测鸟类优化传统驱鸟器开关策略，提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进，将SE模块嵌入进主干网络的Darknet53网络中，关注不同通道特征的重要程度。采用自适应空间特征融合（ASFF）增强网络中特征金字塔网络（FPN）的特征融合，提升各尺度的检测能力。引入CIOU边界框回归损失函数，将预测框和目标框在有重叠甚至包含等情况考虑进去，使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值（AP）达到96.65%，单张图像检测耗时仅为0.058 s，相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度，对农田防治鸟害优化驱鸟器开关策略提供依据。