基于改进YOLOv7-Tiny的成熟草莓识别模型研究

作者：汤泽政; 伍奕桦^*; 徐新明; 郭建政; 童成彪

来源：江西农业大学学报, 2023, 45(06): 1528-1542.

DOI：10.13836/j.jjau.2023140

• 深度学习
• 草莓识别
• YOLOv7-Tiny
• 轻量化
• 小目标
• RepGhost

【目的】成熟草莓的快速、准确识别是高效机械采摘的关键技术，针对草莓生长环境中果实堆叠、叶片遮挡和小目标等问题，提出一种改进YOLOv7-Tiny的成熟草莓识别模型。【方法】该模型在YOLOv7-Tiny模型的基础上，将骨干网络中CBL卷积块的LeakeyReLU激活函数替换为SiLU函数，提高模型的非线性拟合程度与特征学习能力。为降低模型的参数量和计算量，实现模型轻量化，提高识别速度，引入轻量化RepGhost网络。在YOLOv7-Tiny模型的小目标层加入C3模块，降低模型参数量，增加网络深度，增强模型对小目标的信息提取能力，从而提高被遮挡草莓以及小目标草莓的识别准确度，进一步提高模型的识别速度。以设施草莓为试验样本对改进YOLOv7-Tiny模型进行对比试验。【结果】相较于YOLOv7-Tiny模型，改进YOLOv7-Tiny模型训练的收敛速度快，模型拟合后损失曲线的波动幅度小且稳定，训练的损失值小，模型的鲁棒性好。与原模型的对比试验结果表明，改进YOLOv7-Tiny模型的参数量降低26.9%，计算量降低55.4%，识别速度提高26.3%，识别平均准确率（mAP）为89.8%。消融试验验证SiLU激活函数、RepGhost网络和C3模块有效提高了YOLOv7-Tiny模型的识别速度和准确度。以SSD、Faster RCNN、YOLOv3、YOLOv4和YOLOv5s模型进行对比试验，试验结果表明改进YOLOv7-Tiny模型对被遮挡和小目标草莓的识别效果更佳，F1 Score为0.87，比其他深度学习模型高，mAP分别提高了14.2%、1.52%、3.15%、3.01%、2.6%，识别速度分别提高了79.3%、92.9%、80.4%、58.8%、69.6%，参数量分别降低了90%、89.7%、95%、47.8%、14.6%。【结论】改进YOLOv7-Tiny模型具有识别速度快、识别精度高和轻量化的特点，被遮挡成熟草莓和小目标草莓的识别准确度显著提高，为成熟草莓的高效识别提供了技术支撑。

• 单位
  机电工程学院; 湖南农业大学