基于轻量化高效层聚合网络的黄花成熟度检测方法

作     者：吴利刚 陈乐 周倩 史建华 马宇波 WU Ligang;CHEN Le;ZHOU Qian;SHI Jianhua;MA Yubo

作者机构：山西大同大学机电工程学院大同037003 山西大同大学煤炭工程学院大同037003 山西大同大学商学院大同037003 山西大同大学物理与电子科学学院大同037003 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年第55卷第2期

页      面：268-277页

核心收录：

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：国家自然科学基金项目(12375050) 山西省教育科学“十四五”规划课题项目(GH-220178) 山西省基础研究计划项目(202303021211330) 山西省研究生实践创新项目(2023SJ290) 山西大同大学基础科研基金项目(2022K1) 山西大同大学研究生科研创新项目(2023CX07) 山西大同市科技计划项目(2023015) 

主　　题：黄花 成熟度 深度学习 注意力机制 信息融合机制 轻量化 

摘      要：针对黄花传统人工识别效率低,辨识标准不统一的问题,提出基于轻量化和高效层聚合过渡网络的黄花成熟度识别方法LSEB YOLO v7。首先,引入轻量化卷积对高效层聚合网络和过渡模块进行轻量化处理,减少模型计算量。其次,在特征提取与特征融合网络之间增加通道注意力机制,提升模型检测性能。最后,在特征融合网络中,优化通道信息融合方式,使用双向特征金字塔网络替换Concatenate,增加信息融合通道,持续提升模型性能。实验结果表明:与原始模型相比,在黄花成熟度检测中,改进后的LSEB YOLO v7模型参数量和浮点运算量分别减少约2.0×10^(6)和7.7×10^(9)。训练时长由8.025 h降低至7.746 h,模型体积压缩约4 MB。同时,训练精确率和召回率分别提升约0.64个百分点和0.14个百分点,mAP@0.5和mAP@0.5:0.95分别提升约1.84个百分点和1.02个百分点。此外,调和均值性能保持不变,均为84.00%。LSEB YOLO v7算法可均衡模型复杂性与性能,为黄花成熟度检测和智能化采摘设备提供技术支持。