基于YOLOv7的朱鹮目标检测算法的研究

作     者：黄俊霖 张鹏超 张家俊 

作者机构：陕西理工大学机械工程学院 陕西省工业自动化重点实验室 

出 版 物：《电子元器件与信息技术》 (Electronic Components and Information Technology)

年 卷 期：2024年第8卷第2期

页      面：142-147页

学科分类：12[管理学] 0907[农学-林学] 08[工学] 09[农学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 090705[农学-野生动植物保护与利用] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0903[农学-农业资源与环境] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：YOLOv7 协调注意力机制 深度可分离卷积 朱鹮目标检测 

摘      要：针对YOLOv7在实际检测中存在的漏检、误检问题，提出了一种基于YOLOv7的朱鹮检测网络。首先，在传统YOLOv7的骨干网络CSPDarknet53中引入协调注意力机制模型（Coordinate Attention,CA），对不同特征进行加权区分并突出前景特征，增加网络对朱鹮语义特征的提取能力；然后，扩张特征聚合网络深度，提升网络模型的感受野；最后，采用深度可分离卷积对网络进行优化，在保证精度的同时降低网络模型参数。实验结果表明，改进的网络在自建朱鹮数据集上平均精度均值（mean Average Precision, PmAP@0.5）达到95.9%；在公共数据集COCO上PmAP@0.5达到74.5%，较YOLOv7提升4.8个百分点，模型参数量降低24.3%。与DETR和Mask R-CNN等主流目标检测模型相比，改进网络的PmAP@0.5分别提高12.1%与12.2%，为野外朱鹮保护监察提供了参考。