作品名称：《No Bugs》
参赛院校：北方工业大学
指导教师：蔡兴泉
团队成员：王通、卢清涛、陈立哲
数媒竞赛网（mit.caai.cn）2021年参赛作品
作品描述：

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题，设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括：构建数据集，使用几何变换、随机色彩抖动和马赛克数据增强技术，对数据集进行预处理；将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型，并在改进后的PANet网络中添加CBAM注意力模型，搭建改进的轻量化YOLOv4网络模型；引入Focal Loss优化YOLOv4网络模型的损失函数；将预处理后的数据集输入到改进后的网络模型中，输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献；比原YOLOv4模型的检测速度更快、平均检测精度更高，并且有效地解决了漏检和误检问题；对比实验证明优于其他主流网络模型，满足害虫实时检测的精度和速度要求。

作品名称：《No Bugs》
参赛院校：北方工业大学
指导教师：蔡兴泉
团队成员：王通、卢清涛、陈立哲
数媒竞赛网2021年参赛作品
作品描述：

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题，设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括：构建数据集，使用几何变换、随机色彩抖动和马赛克数据增强技术，对数据集进行预处理；将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型，并在改进后的PANet网络中添加CBAM注意力模型，搭建改进的轻量化YOLOv4网络模型；引入Focal Loss优化YOLOv4网络模型的损失函数；将预处理后的数据集输入到改进后的网络模型中，输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献；比原YOLOv4模型的检测速度更快、平均检测精度更高，并且有效地解决了漏检和误检问题；对比实验证明优于其他主流网络模型，满足害虫实时检测的精度和速度要求。

作品名称：《No Bugs》
参赛院校：北方工业大学
指导教师：蔡兴泉
团队成员：王通、卢清涛、陈立哲
数媒竞赛网2021年参赛作品
作品描述：

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题，设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括：构建数据集，使用几何变换、随机色彩抖动和马赛克数据增强技术，对数据集进行预处理；将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型，并在改进后的PANet网络中添加CBAM注意力模型，搭建改进的轻量化YOLOv4网络模型；引入Focal Loss优化YOLOv4网络模型的损失函数；将预处理后的数据集输入到改进后的网络模型中，输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献；比原YOLOv4模型的检测速度更快、平均检测精度更高，并且有效地解决了漏检和误检问题；对比实验证明优于其他主流网络模型，满足害虫实时检测的精度和速度要求。

作品名称：《No Bugs》
参赛院校：北方工业大学
指导教师：蔡兴泉
团队成员：王通、卢清涛、陈立哲
数媒竞赛网2021年参赛作品
作品描述：

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题，设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括：构建数据集，使用几何变换、随机色彩抖动和马赛克数据增强技术，对数据集进行预处理；将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型，并在改进后的PANet网络中添加CBAM注意力模型，搭建改进的轻量化YOLOv4网络模型；引入Focal Loss优化YOLOv4网络模型的损失函数；将预处理后的数据集输入到改进后的网络模型中，输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献；比原YOLOv4模型的检测速度更快、平均检测精度更高，并且有效地解决了漏检和误检问题；对比实验证明优于其他主流网络模型，满足害虫实时检测的精度和速度要求。

作品名称：《No Bugs》
参赛院校：北方工业大学
指导教师：蔡兴泉
团队成员：王通、卢清涛、陈立哲
数媒竞赛网2021年参赛作品
作品描述：

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题，设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括：构建数据集，使用几何变换、随机色彩抖动和马赛克数据增强技术，对数据集进行预处理；将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型，并在改进后的PANet网络中添加CBAM注意力模型，搭建改进的轻量化YOLOv4网络模型；引入Focal Loss优化YOLOv4网络模型的损失函数；将预处理后的数据集输入到改进后的网络模型中，输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献；比原YOLOv4模型的检测速度更快、平均检测精度更高，并且有效地解决了漏检和误检问题；对比实验证明优于其他主流网络模型，满足害虫实时检测的精度和速度要求。

作品名称：《No Bugs》
参赛院校：北方工业大学
指导教师：蔡兴泉
团队成员：王通、卢清涛、陈立哲
数媒竞赛网2021年参赛作品
作品描述：

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题，设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括：构建数据集，使用几何变换、随机色彩抖动和马赛克数据增强技术，对数据集进行预处理；将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型，并在改进后的PANet网络中添加CBAM注意力模型，搭建改进的轻量化YOLOv4网络模型；引入Focal Loss优化YOLOv4网络模型的损失函数；将预处理后的数据集输入到改进后的网络模型中，输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献；比原YOLOv4模型的检测速度更快、平均检测精度更高，并且有效地解决了漏检和误检问题；对比实验证明优于其他主流网络模型，满足害虫实时检测的精度和速度要求。