摘要
针对农田环境下小麦麦穗目标检测精确率低的问题,在YOLO v7-tiny模型基础上进行深入改进,旨在提高麦穗检测的准确率,以满足农业生产管理系统和农业机器人边缘检测设备的需求.采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络层,强化图像特征的提取能力;在特征融合网络层,引入CARAFE上采样模块替代原模型中的上采样模块,进一步优化特征融合过程;在特征融合网络层和输出层引入基于跨空间学习的高效多尺度注意力机制,有效提升模型的目标检测性能.结果表明,改进后的模型在小麦麦穗检测精确率上比YOLO v7-tiny模型提高了 2.9百分比;与YOLO v7模型相比,本模型虽然精确率低0.2百分点,但在参数量、计算量上分别降低了82.6％、84.5％,同时模型体积减小了 81.2％.综合考虑精确率、参数量、计算量、模型体积等多个指标,本研究的改进模型在部署于智能农机类边缘检测设备方面具有优越性.
维普
万方数据