基于改进YOLOv7的轻量级红花检测方法

摘要

针对目前采摘机器人资源有限、视野有限与训练样本不平衡造成的复杂环境下红花错检和漏检问题，提出一种改进YOLOv7的轻量级红花检测模型.首先，利用深度可分离卷积层构建轻量级骨干网络，减少识别过程中的冗余计算，提高了检测速度；其次，在特征提取与融合阶段提出轻量级特征处理D-MP模块，进一步降低网络计算量.同时，针对红花检测中易出现的错检漏检，设计了一种轻量级多尺度连接的特征提取与融合模块，改善细节特征丢失问题，提高不同尺度特征提取与融合能力；最后，使用Focal-DIOU损失函数优化因样本数不平衡造成的难分类与重叠边界框的回归问题，提高检测精度.实验结果表明，改进后的模型平均精度均值达到93.4%,检测速度达到98.6 f/s,相比YOLOv7模型分别提升了3.8%和63.8%,同时运算量减少了58.1%,参数量下降了18.1%,减少对算力与电力的需求，便于模型部署与提高机器人作业时长.

关键词

红花采摘 / 复杂环境 / 轻量化 / YOLOv7 / Focal-DIOU损失函数