基于改进YOLOv7的番茄识别和检测算法

摘要

针对传统番茄人工采摘易造成品质下降、种植密度大与植株遮挡导致特征提取困难，以及传统卷积神经网络结构复杂、小目标特征提取能力弱、未成熟番茄漏检率高等问题，提出一种基于改进YOLOv7的番茄目标识别和检测模型（YOLOv7-PSF）,引入简单无参数注意力模块（SimAM）,更有效地捕捉番茄病虫害特征，采用部分卷积（PConv）替代主干网络ELAN结构中CBS模块的Conv以提升计算效率，有效区分被遮挡的番茄，引入激活函数fReLU,减少权值的衰减，解决环境干扰信息与番茄特征信息混淆问题，避免漏检和错检等问题。结果表明：所提出的检测模型的平均精度均值（mAP）为97.4%,模型尺寸为62.7 MB,与原YOLOv7相比，改进后的模型mAP提高了约3.1个百分点，成熟番茄、未成熟番茄和病虫害番茄的F₁值分别提高了3个百分点、4个百分点、3个百分点，与其他主流算法相比，改进模型针对番茄的检测性能有明显优势。可视化结果表明，对YOLOv7算法的改进实现了对复杂环境下的番茄高精度检测，可为高密度种植环境下的番茄采摘作业提供有效技术支持。

关键词

深度学习 / 成熟度判别 / 注意力机制 / 激活函数