基于改进YOLOv7的线虫智能识别研究

摘要

线虫存活率是杀线试剂活性测试的重要指标，目前线虫计数多以显微镜下的人工识别方式为主，存在耗时长、准确率低、工作量大等问题，利用卷积神经网络实现线虫的智能识别与计数是解决上述问题的重要途径。本文基于YOLOv7网络架构进行了三方面改进：主干网络添加ECA注意力机制；用EIoU替换原模型损失函数；将原本的激活函数替换为Mish激活函数。对比试验测试发现，改进后YOLOv7模型的mAP达到了95.3%，与SSD、Faster-RCNN等经典目标检测算法相比分别提高12.3、6.2个百分点，在准确率、召回率和F1因子上分别提高了0.6、2.4和1.5个百分点，且减少了冗余信息的干扰，增强了多尺度目标的特征提取能力；提高了重叠黏连线虫目标的检测能力和回归精度。此外，本文基于Vue、SpringBoot等技术开发了一款线虫存活状态检测系统，将该系统与本文改进后的模型部署到服务器，为研究人员提供了方便、高效的线虫死/活状态在线智能识别与计数服务。

关键词

目标检测 / 注意力机制 / 损失函数 / 激活函数 / 线虫

基金资助

一种线虫高通量智能识别系统;; 供港叶菜土壤连作障碍预警与综合修复技术研究（2021BBF02006）;; 马铃薯疮痴病发生机理及防控关键技术研究（2023BCFO1015）