轻量化MobileNet-YOLOv7融合模型在山区分散农田病害识别中的适配研究

摘要

针对山区分散农田病害识别中环境复杂、目标尺度多变及边缘设备算力受限等导致的检测精度低与部署困难等问题，提出一种轻量化MobileNet-YOLOv7融合模型。其核心创新在于：将YOLOv7的ELAN主干替换为改进型MobileNet结构，并引入基于L1范数的动态通道剪枝机制以实现参数压缩；在第3～5阶段中嵌入轻量多尺度注意力模块，结合并行深度可分离卷积与通道激励生成联合注意力权重；同时重构检测头并采用跨阶段部分特征融合策略，实现浅层细节与高层语义信息的逐级融合。模型通过两阶段训练与TensorRT INT8量化，适配Jetson Nano等边缘设备部署。实验结果显示，该方法在多尺度病害目标检测中的AP@0.5均值为0.764～0.891,AP@0.75均值为0.621～0.842;在复杂背景下mAP@0.5∶0.95达71.8%～73.2%,Precision@0.5为84.9%～86.1%;在Jetson Nano上平均功耗为(4.82±0.11) W,温升控制在(18.3±0.7)℃。与现有轻量化模型相比，本方法在精度、效率与稳定性方面均具有明显优势，为山区农业智能感知提供了更具适应性的技术路径。

关键词

分散农田 / 病害识别 / YOLOv7 / 轻量化模型 / 多尺度注意力