基于改进YOLOv7的林业害虫检测分类方法

摘要

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。

关键词

林业害虫 / 目标检测 / YOLOv7 / GhostConv / SE注意力 / CoordConv