为提高林业害虫识别精度,提出改进YOLOv7的林业害虫检测模型(GhostConv and SE attention enhanced YOLOv7,GS-YOLOv7)。首先,该模型将主干网络的传统卷积改用GhostConv轻量卷积,减小模型运行的参数量,提高模型效率;其次,通过添加挤压激...为提高林业害虫识别精度,提出改进YOLOv7的林业害虫检测模型(GhostConv and SE attention enhanced YOLOv7,GS-YOLOv7)。首先,该模型将主干网络的传统卷积改用GhostConv轻量卷积,减小模型运行的参数量,提高模型效率;其次,通过添加挤压激励(squeeze excitation,SE)注意力模块,强化对特征不显著的害虫图像边缘的提取能力,进而提高网络的特征提取能力;再次,用内容感知的特征重组(content aware reassembly of features,CARAFE)轻量级算子取代传统采样方法,提高特征重建质量,解决尺度不匹配问题,增强检测性能;最后,在Neck网络引入协调坐标卷积(coordinate convolution,CoordConv)模块,利用其位置信息解决目标定位不准问题,提高模型对空间位置的感受能力和泛化能力。在6种常见的病虫数据集上进行试验,GS-YOLOv7模型的精确率达到93.15%,交并比阈值为0.5时的平均精度均值达到93.29%,比原模型的精确率、平均精度均值分别提高6.50%和2.09%;参数量和模型大小分别降至1.9×10^(7)个和38.17 MB,比原模型分别降低51.4%和46.53%。结果表明,GS-YOLOv7模型较原模型性能有显著提升,模型改进有效。展开更多
文摘为提高林业害虫识别精度,提出改进YOLOv7的林业害虫检测模型(GhostConv and SE attention enhanced YOLOv7,GS-YOLOv7)。首先,该模型将主干网络的传统卷积改用GhostConv轻量卷积,减小模型运行的参数量,提高模型效率;其次,通过添加挤压激励(squeeze excitation,SE)注意力模块,强化对特征不显著的害虫图像边缘的提取能力,进而提高网络的特征提取能力;再次,用内容感知的特征重组(content aware reassembly of features,CARAFE)轻量级算子取代传统采样方法,提高特征重建质量,解决尺度不匹配问题,增强检测性能;最后,在Neck网络引入协调坐标卷积(coordinate convolution,CoordConv)模块,利用其位置信息解决目标定位不准问题,提高模型对空间位置的感受能力和泛化能力。在6种常见的病虫数据集上进行试验,GS-YOLOv7模型的精确率达到93.15%,交并比阈值为0.5时的平均精度均值达到93.29%,比原模型的精确率、平均精度均值分别提高6.50%和2.09%;参数量和模型大小分别降至1.9×10^(7)个和38.17 MB,比原模型分别降低51.4%和46.53%。结果表明,GS-YOLOv7模型较原模型性能有显著提升,模型改进有效。
