基于MHSA-YOLOv7的小麦赤霉病感染率检测

作     者：张正华 吴宇 金志琦 ZHANG Zhenghua;WU Yu;JIN Zhiqi

作者机构：扬州大学信息工程学院(人工智能学院)江苏扬州225127 

出 版 物：《无线电工程》 (Radio Engineering)

年 卷 期：2024年第54卷第1期

页      面：71-77页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：2022年江苏省研究生实践创新计划(SJCX22_1708) 2021年扬州市级计划-市校合作专项(YZ2021159) 2021年扬州市产业前瞻与共性关键技术-产业前瞻研发(YZ2021016) 

主　　题：多头自注意力 YOLOv7 目标检测 小麦赤霉病 

摘      要：在抗病育种中小麦赤霉病感染率是衡量籽粒抗性表型鉴定的重要衡量指标,针对目前小麦赤霉病感染率检测存在检测时间长、硬件成本高以及检测方式破坏植株等问题,设计了一种适用于麦穗籽粒此类小目标检测的深度学习网络模型——MHSA-YOLOv7。通过在原YOLOv7主干网络中融合多头自注意力(Muti-Head Self-Attention,MHSA)机制来提高模型对深层语义特征的提取能力,并使用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)实现模块间的跨层连接,使该模型能够提取和传递更丰富的特征信息。实验结果表明,MHSA-YOLOv7在小麦单穗赤霉病数据集上达到了90.75%的检测精度,相较于原YOLOv7模型,改进后的算法对于麦穗籽粒此类小目标物体具有更强的特征提取能力,检测精度、召回率、F1值、mAP@0.5以及mAP@0.5∶0.95分别提高了0.33%、1.83%、0.011、1.19%以及0.38%,有效满足了小麦赤霉病感染率的精确检测,为实现小麦植株病害走势的长期观测以及小麦籽粒抗性的准确评估提供了技术支持。