基于改进YOLO v7的农田复杂环境下害虫识别算法研究

作者：赵辉; 黄镖; 王红君; 岳有军

来源：农业机械学报, 2023, 54(10): 246-254.

• 农田复杂环境
• 害虫识别
• 目标检测
• 深度学习
• YOLO v7
• Swin Transformer

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别，提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合，提高了模型获取密集害虫目标位置信息的能力；在路径聚合部分增加第4检测支路，提高模型对小目标的检测性能；将卷积注意力模块(CBAM)集成到YOLO v7模型中，使模型更加关注害虫区域，抑制背景等一般特征信息，提高被遮挡害虫的识别精确率；使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响，提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明，改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明，本文方法对害虫的实际检测效果更优，对解决农田复杂环境下害虫的精准识别问题具有参考价值。

• 单位
  自动化学院; 天津理工大学