摘要
油菜害虫的精准识别是智慧油菜的重要一环.为解决当前研究中存在的油菜害虫识别准确率低、模型复杂度高等问题,采用基于改进的YOLOv7-CE算法进行油菜害虫识别.以YOLOv7 作为基础模型,在头部层添加用于实时语义分割的通道式特征金字塔(Channel-wise Feature Pyramid for Real-Time Semantic Segmentation,CFP-Net),在提升模型推理速度和识别精度的前提下减少了模型参数量和尺寸;在骨干网络层添加深度卷积神经网络的有效通道注意(Efficient Channel Attention for Deep Convolutional Neural Networks,ECA-Net),更进一步优化了模型,降低了参数量和计算量.以菜粉蝶、粘虫、黄曲条跳甲、菜蝽、蚜虫、蝼蛄 6 大常见虫害图像作为识别对象,通过深度学习框架pytorch对害虫图像进行训练.结果表明,添加了ECA-Net和CFP-Net的油菜害虫识别算法YOLOv7-CE准确率达 93.6%,且高于YOLOv7、YOLOv5m、YOLOv5x、Coordinate Attention-YOLOv7 和Transformer-YOLOv7 对照模型;改进的算法YOLOv7-CE参数量Params降低了 4.1 个指标,计算量FLOPs降低了66 个指标,输入图像尺寸为 640×640,帧频为 238 帧/s,模型权重大小缩减为 66.2 MB,有效降低了模型对计算机性能的依赖性.改进的YOLOv7-CE模型具有轻量化、泛化能力强、准确率高、识别速度快、鲁棒性好及损失率较小等特点.
NETL
NSTL
万方数据