10.11975/j.issn.1002-6819.202305042
基于改进YOLOv7的黄瓜叶片病虫害检测与识别
黄瓜叶片病虫害的检测与识别是科学防治病害的有效手段.为了提高对黄瓜叶片病斑细小特征的精准定位能力以及提高对早疫病叶片的检测性能,提出一种DCNSE-YOLOv7的深度学习算法.首先,将主干特征提取网络中对最后一个特征层的卷积 2D convolution(Conv2D)改为可变形卷积 2D Deformable convolution(DCNv2),提高模型对病斑细小特征的提取能力;其次,对主干特征提取网络输出的3个特征层结果添加Squeeze-and-Excitation networks(SENet)注意力机制模块构建网络模型,加强模型对发病早期相似病害特征的有效提取能力;同时,通过K-means++聚类算法对锚框重新聚类,避免算法在训练过程中盲目学习目标的尺寸和位置;最后,将原始YOLOv7的CIOU损失函数,更替为Focal-EIOU损失函数.试验结果表明,DCNSE-YOLOv7算法能够有效对黄瓜叶片病虫害进行检测,其平均精度均值为94.25%,比YOLOv5l、YOLOv7、Faster-RCNN、SSD和YOLOv7-tiny模型分别提高了 2.72、2.87、0.28、12.04和7.02个百分点,改进模型的精确度为 96.02%,检测速度为 52.04帧/s.所提方法为黄瓜叶片病虫害的精准检测提供了一种有效的技术支持.
病虫害、图像识别、黄瓜叶片、YOLOv7、可变形卷积、注意力机制
39
S24(农业电气化与自动化)
国家自然科学基金;江苏省大学生创新训练项目
2023-11-13（万方平台首次上网日期，不代表论文的发表时间）
共9页
163-171
