基于改进YOLOv7-tiny的番茄叶片病虫害检测方法

作     者：王会征 孙良晨 李新龙 刘海藤 王国宾 兰玉彬 WANG Huizheng;SUN Liangchen;LI Xinlong;LIU Haiteng;WANG Guobin;LAN Yubin

作者机构：山东理工大学农业工程与食品科学学院淄博255049 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第10期

页      面：194-202页

核心收录：

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 

基　　金：山东省自然科学基金项目(ZR2023MC133 ZR2021QC154) 宁夏回族自治区重点研发计划项目(2023BCF01051) 

主　　题：图像处理 病虫害 目标检测 番茄叶片 YOLOv7-tiny 分布偏移卷积 注意力机制 

摘      要：为解决自然环境中番茄叶片病虫害检测场景复杂、检测精度较低,计算复杂度高等问题,该研究提出一种SLPYOLOv7-tiny的深度学习算法。首先,将主干特征提取网络中部分3×3的卷积Conv2D(2D convolution)改为分布偏移卷积DSConv2D(2D Depthwise Separable Convolution),以减少网络的计算量,并且使计算速度更快,占用内存更少;其次,将无参数注意力机制(parameter-free attention module,SimAM)融合到骨干特征提取网络中,加强模型对病虫害特征的有效提取能力和特征整合能力;最后,将原始YOLOv7-tiny的CIOU损失函数,更替为Focal-EIOU损失函数,加快模型收敛并降低损失值。试验结果表明,SLP-YOLOv7-tiny模型整体识别精准度、召回率、平均精度均值mAP_(0.5)(IOU阈值为0.5时的平均精度)、mAP_(0.5~0.95)(IOU阈值从0.5到0.95之间的平均精度)分别为95.9%、94.6%、98.0%、91.4%,与改进前YOLOv7-tiny相比,分别提升14.7、29.2、20.2、30个百分点,同时,计算量降低了62.6%。与YOLOv5n、YOLOv5s、YOLOv5m、YOLOv7、YOLOv7-tiny、Faster-RCNN、SSD目标检测模型相比,mAP_(0.5)分别提升了2.0、1.6、2.0、2.2、20.2、6.1和5.3个百分点,而计算量大小仅为YOLOv5s、YOLOv5m、YOLOv7、Faster-RCNN、SSD的31.5%、10.6%、4.9%、4.3%、3.8%。结果表明SLP-YOLOv7-tiny可以准确快速地实现番茄叶片病虫害的检测,且模型较小,可为番茄叶片病虫害的快速精准检测的发展提供一定的技术支持。