GSW-YOLOv7:一种基于改进YOLOv7的玉米叶病害检测方法

作     者：孙向阳 杨晓霞 SUN Xiang-yang;YANG Xiao-xia

作者机构：山东农业大学信息科学与工程学院山东泰安271017 

出 版 物：《山东农业大学学报（自然科学版）》 (Journal of Shandong Agricultural University：Natural Science Edition)

年 卷 期：2024年第55卷第4期

页      面：566-578页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：中国气象局/河南省农业气象保障与应用技术重点开发实验室(AMF202004) 山东省自然科学基金(ZR2021MD097,ZR2020MF130) 山东省气象局重点课题(2021sdqxz03) 山东省大学生创新创业训练项目(S202310434226) 

主　　题：玉米叶病害 YOLOv7 目标检测 深度学习 注意力机制 

摘      要：准确识别农田中常见类型的玉米叶病害并及时治疗是提高玉米产量的关键,可以提高效率并降低种植成本。为了解决玉米叶病害识别精度不高、检测效率低以及在移动端设备难以部署的难题,本文提出了一种改进的名为GSW-YOLOv7的目标检测模型。首先,设计了GS-ELAN结构优化模型颈部,降低模型的参数量。其次,将简单且无需参数的SimAM注意力机制融入网络结构中,在不增加额外参数的情况下提高检测的精度,获取更具代表性的玉米叶病害特征。最后,采用高效的Wise-IoU损失函数以加快收敛速度,并提高模型的精度。实验结果表明,GSW-YOLOv7网络模型平均精度(mAP)为85.60%,检测速度为26.79FPS,该模型在检测任务中权衡了模型的检测精度和检测速度,与YOLOv5、YOLOX等算法相比,该算法性能最好,能够快速、准确地检测常见的玉米叶病害,为农业生产提供了创新的解决方案。