基于改进YOLOv7的麦穗检测算法

摘要

针对麦穗数据集中存在的检测目标密集、遮挡、各地区形态不一致现象引起的漏检、模型泛化能力弱等问题，提出一种基于改进YOLOv7的麦穗检测算法.首先，在YOLOv7网络的骨干特征提取网络引入混合注意力机制加强对位置特征的提取，缓解检测目标密集导致的漏检问题；其次，在骨干特征提取网络引入能结合不同尺寸的可切换空洞卷积(switchable atrous convolution, SAC),通过增大感受野实现提取不同尺度的特征信息，可有效改善因遮挡现象引起的漏检问题；最后，在特征融合部分引入增量学习模块(example vector correction, EVC),提高模型的鲁棒性和泛化能力.实验结果表明，改进后的麦穗识别算法在全球小麦麦穗数据集的平均目标检测精度与原YOLOv7相比提高了2.11个百分点.

关键词

小麦麦穗检测 / 混合注意力 / 增量学习 / 空洞卷积