基于改进YOLOv7算法的无人机图像树种识别

摘要

为解决目前大规模树种识别工作强度大、效率低且检测准确率欠佳的问题，本研究利用无人机采集的树冠影像，结合深度学习理论和网络剪枝技术，建立了高效的树种识别模型YOLOv7-Trees-T。以YOLOv7网络为基础，在特征提取网络中引入LSK(large selective kernel)注意力机制，在遥感场景中通过动态调整空间感受视野，模拟各种测距情景，提高检测精度；采用GSConv轻量级混合卷和一次性聚合VoVGSCSP模块重置特征融合网络，减少模型参数的同时实现特征多重利用；引入I-MPDIoU损失度量，解决在预测框与真实框具有相同宽高比，但宽度和高度值不同时导致损失函数无法收敛的问题，使模型更好地学习目标位置信息，提高模型回归效率；最后采用Network Slimming网络剪枝方法对模型进行剪枝微调，剔除对网络贡献率较低的通道，实现模型轻量化。研究结果表明，改进后的树种识别模型在数据集上平均精度达到96.39%,较原始YOLOv7模型提高了4.58%。通过使用网络剪枝方法，在保持检测精度的前提下，使浮点运算量和参数量分别下降了28.8%和63.4%,模型规模降低了63.6%。该算法模型能够利用无人机RGB图像快速准确识别树种，可为后续森林管理提供数据支持。

关键词

树种识别 / 目标检测 / 特征提取 / 深度学习 / YOLOv7