摘要
水稻是我国最主要的粮食作物之一，然而水稻害虫的存在给水稻产量和质量带来了很大的威胁。因此，水稻害虫的快速有效检测具有重要的现实意义。传统的水稻害虫检测主要采用人工和传统视觉方法，这种方法存在准确性低、效率慢、成本高等缺点。因此，利用计算机视觉和深度学习技术对水稻害虫进行高效、准确、自动的检测具有重要的研究价值。本文的主要研究内容如下： （1）针对当前大多数数据集规模较小且存在数据偏差、标注错误等问题，本文采用自制数据集进行实验。通过实地拍摄和网络搜索方式获取图片，并对图片进行数据增强、人工标注，同时对质量较差的图片进行人工剔除。最终得到包含7种常见水稻害虫的自制数据集共4732幅图片。 （2）本文将自制数据集输入当前主流目标检测模型，通过实验对比分析得出YOLOv7模型在检测精度和速度上均优于其他目标检测模型，mAP@0.5达到了88.9%，FPS达到了56.125帧/秒，具有明显的优势。同时对模型从迁移学习、激活函数和学习率调整策略进行基础研究，研究结果表明模型引入迁移学习、使用Mish激活函数、采用余弦退火学习率调整策略得到的模型检测效果最优。 （3）针对目前在复杂稻田环境下容易造成小目标害虫检测的漏检误检问题，同时兼顾算法的准确性和时效性，本文在上述研究基础之上提出了基于YOLOv7的改进水稻害虫目标检测算法。该方法将Backbone替换为MobileNetV3，通过降低参数量和计算量提高模型的检测速度。接下来将协调注意力模块引入骨干网络，来增强网络对方向和位置信息的感知度。其次，通过引入特征融合因子和空间跳跃连接，将原本位于网络颈部的路径聚合网络（PANet）替换成双向特征金字塔网络（BiFPN），从而增强网络对小目标的特征提取能力。最后，在检测头中使用新设计的α-CIoU作为边界框回归损失函数，提高边框的回归精度。试验结果表明，改进的YOLOv7模型的mAP@0.5比YOLOv7轻量化后的模型提高了3.2个百分点，达到了90.7%，FPS达到了60.683帧/秒，显著优于其他改进方案的检测模型。 （4）由于YOLOv7模型结合了速度和精度的优势，且能够满足实时性要求较高的场景需求，故本文将其部署于实际生产环境中实现离线或在线模式的检测。本文采用Flask框架，将模型推理结果对接到Web应用程序，实现图片和视频检测功能。该系统具有一定的现实需求，能够实时监测和报警，提高水稻害虫的防治效果。
NETL