[1]鲁子翱,张婧婧,韩博,等.基于改进YOLO v7-tiny的小麦麦穗检测方法[J].江苏农业科学,2024,52(20):147-156.
　Lu Ziao,et al.Detection method for wheat ears based on improved YOLO v7-tiny[J].Jiangsu Agricultural Sciences,2024,52(20):147-156.
点击复制

基于改进YOLO v7-tiny的小麦麦穗检测方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第20期
页码:
147-156
栏目:
果实智能检测
出版日期:
2024-10-20

文章信息/Info

Title:
Detection method for wheat ears based on improved YOLO v7-tiny
作者:
鲁子翱1; 3; 4;  张婧婧1; 3; 4;  韩博1; 3; 4;  李永福2
1.新疆农业大学计算机与信息工程学院，新疆乌鲁木齐 830052； 2.新疆农业科学院土壤肥料与农业节水研究所，新疆乌鲁木齐 830000； 3.智能农业教育部工程研究中心，新疆乌鲁木齐 830052； 4.新疆农业信息化工程技术研究中心，新疆乌鲁木齐 830052
Author(s):
Lu Ziao; et al
关键词:
目标检测; YOLO v7; EfficientViT; CARAFE; 高效多尺度注意力机制
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对农田环境下小麦麦穗目标检测精确率低的问题，在YOLO v7-tiny模型基础上进行深入改进，旨在提高麦穗检测的准确率，以满足农业生产管理系统和农业机器人边缘检测设备的需求。采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络层，强化图像特征的提取能力；在特征融合网络层，引入CARAFE上采样模块替代原模型中的上采样模块，进一步优化特征融合过程；在特征融合网络层和输出层引入基于跨空间学习的高效多尺度注意力机制，有效提升模型的目标检测性能。结果表明，改进后的模型在小麦麦穗检测精确率上比YOLO v7-tiny模型提高了2.9百分比；与YOLO v7模型相比，本模型虽然精确率低0.2百分点，但在参数量、计算量上分别降低了826%、84.5%，同时模型体积减小了81.2%。综合考虑精确率、参数量、计算量、模型体积等多个指标，本研究的改进模型在部署于智能农机类边缘检测设备方面具有优越性。
Abstract:
-

参考文献/References:

［1］Liu H，Wang Z H，Yu R，et al. Optimal nitrogen input for higher efficiency and lower environmental impacts of winter wheat production in China［J］. Agriculture，Ecosystems & Environment，2016，224：1-11.
［2］宋怀波，王云飞，段援朝，等. 基于YOLO v5-MDC的重度粘连小麦籽粒检测方法［J］. 农业机械学报，2022，53(4)：245-253.
［3］王玲，张旗，冯天赐，等. 基于YOLO v7-ST模型的小麦籽粒计数方法研究［J］. 农业机械学报，2023，54(10)：188-197，204.
［4］黄硕，周亚男，王起帆，等. 改进YOLO v5测量田间小麦单位面积穗数［J］. 农业工程学报，2022，38(16)：235-242.
［5］郑远攀，李广阳，李晔. 深度学习在图像识别中的应用研究综述［J］. 计算机工程与应用，2019，55(12)：20-36.
［6］康飞龙，李佳，刘涛，等. 多类农作物病虫害的图像识别应用技术研究综述［J］. 江苏农业科学，2020，48(22)：22-27.
［7］李子涵，周省邦，赵戈，等. 基于卷积神经网络的农业病虫害识别研究综述［J］. 江苏农业科学，2023，51(7)：15-23.
［8］Olgun M，Onarcan A O，zkan K，et al. Wheat grain classification by using dense SIFT features with SVM classifier［J］. Computers and Electronics in Agriculture，2016，122：185-190.
［9］鲍文霞，谢文杰，胡根生，等. 基于TPH-YOLO的无人机图像麦穗计数方法［J］. 农业工程学报，2023，39(1)：155-161.
［10］Li R，Wu Y P. Improved YOLO v5 wheat ear detection algorithm based on attention mechanism［J］. Electronics，2022，11(11)：1673.
［11］臧贺藏，赵晴，周萌，等. 基于YOLO v5s模型的小麦品种(系)穗数检测［J］. 山东农业科学，2022，54(11)：150-157.
［12］李云，邱述金，赵华民，等. 基于轻量化YOLO v5的谷穗实时检测方法［J］. 江苏农业科学，2023，51(6)：168-177.
［13］杨蜀秦，王帅，王鹏飞，等. 改进YOLOX检测单位面积麦穗［J］. 农业工程学报，2022，38(15)：143-149.
［14］Zhang D Y，Luo H S，Cheng T，et al. Enhancing wheat Fusarium head blight detection using rotation Yolo wheat detection network and simple spatial attention network［J］. Computers and Electronics in Agriculture，2023，211：107968.
［15］Liu X Y，Peng H W，Zheng N X，et al. EfficientViT：memory efficient vision transformer with cascaded group attention［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouve：IEEE，2023：14420-14430.
［16］Wang J Q，Chen K，Xu R，et al. CARAFE：content-aware ReAssembly of FEatures［C］//2019 IEEE/CVF International Conference on Computer Vision.Seoul：IEEE，2019：3007-3016.
［17］Ouyang D L，He S，Zhang G Z，et al. Efficient multi-scale attention module with cross-spatial learning［C］//2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing.Rhodes Island：IEEE，2023：1-5.
［18］David E，Madec S，Sadeghi-Tehran P，et al. Global wheat head detection (GWHD) dataset：a large and diverse dataset of high-resolution RGB-labelled images to develop and benchmark wheat head detection methods［J］. Plant Phenomics，2020，2020：3521852.
［19］Wang C Y，Bochkovskiy A，Liao H Y M. YOLO v7：trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver：IEEE，2023：7464-7475.
［20］Wang C Y，Yeh I H，Liao H Y M.You only learn one representation：unified network for multiple tasks［J］. Journal of Information Science and Engineering，2023，39(3)：691-709.
［21］Yang L，Zhang R，Li L，et al. SimAM：a simple，parameter-free attention module for convolutional neural networks［C］//Proceedings of the 38th International Conference on Machine Learning.PMLR，2021，139：11863-11874.
［22］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：7132-7141.
［23］Li Y H，Yao T，Pan Y W，et al. Contextual transformer networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2023，45(2)：1489-1500.
［24］Li X，Wang W H，Hu X L，et al. Selective kernel networks［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach：IEEE，2019：510-519.

相似文献/References:

[1]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):247.
[2]陈恩会,褚姝频,王炜,等.基于RetinaNet模型的梨小食心虫智能识别计数方法[J].江苏农业科学,2021,49(24):205.
　Chen Enhui,et al.Intelligent recognition and counting method of Grapholitha molesta based on RetinaNet model[J].Jiangsu Agricultural Sciences,2021,49(20):205.
[3]陶雪阳,施振旦,郭彬彬,等.基于RFID与目标检测的种鹅个体产蛋信息监测方法[J].江苏农业科学,2023,51(5):200.
　Tao Xueyang,et al.Monitoring method of individual egg-laying information of breeding geese based on RFID and object detection[J].Jiangsu Agricultural Sciences,2023,51(20):200.
[4]严陈慧子,田芳明,谭峰,等.基于改进YOLOv4的水稻病害快速检测方法[J].江苏农业科学,2023,51(6):187.
　Yanchen Huizi,et al.Rapid detection method of rice diseases based on improved YOLOv4[J].Jiangsu Agricultural Sciences,2023,51(20):187.
[5]周绍发,肖小玲,刘忠意,等.改进的基于YOLOv5s苹果树叶病害检测[J].江苏农业科学,2023,51(13):212.
　Zhou Shaofa,et al.Improved apple leaf disease detection based on YOLOv5s[J].Jiangsu Agricultural Sciences,2023,51(20):212.
[6]姜国权,杨正元,霍占强,等.基于改进YOLOv5网络的疏果前苹果检测方法[J].江苏农业科学,2023,51(14):205.
　Jiang Guoquan,et al.Apple detection method before thinning fruit based on improved YOLOv5 model[J].Jiangsu Agricultural Sciences,2023,51(20):205.
[7]王圆圆,林建,王姗.基于YOLOv4-tiny模型的水稻早期病害识别方法[J].江苏农业科学,2023,51(16):147.
　Wang Yuanyuan,et al.An early rice disease recognition method based on YOLOv4-tiny model[J].Jiangsu Agricultural Sciences,2023,51(20):147.
[8]倪智涛,胡伟健,李宝山,等.一种基于图像分类与目标检测协同的番茄细粒度病害识别方法[J].江苏农业科学,2023,51(22):221.
　Ni Zhitao,et al.A novel method for tomato fine-grained disease recognition based on image classification and target detection[J].Jiangsu Agricultural Sciences,2023,51(20):221.
[9]施杰,林双双,罗建刚,等.基于YOLO v5s改进模型的玉米作物病虫害检测方法[J].江苏农业科学,2023,51(24):175.
　Shi Jie,et al.Study on a detection method for crop diseases and insect pests based on YOLO v5s improved model[J].Jiangsu Agricultural Sciences,2023,51(20):175.
[10]郑旭康,李志忠,秦俊豪.基于半监督学习的梨叶病害检测[J].江苏农业科学,2024,52(5):192.
　Zheng Xukang,et al.Study on pear leaf disease detection based on semi-supervised learning[J].Jiangsu Agricultural Sciences,2024,52(20):192.
[11]郑文轩,杨瑛.基于改进轻量化YOLO v7的成熟期香梨目标检测方法[J].江苏农业科学,2024,52(20):121.
　Zheng Wenxuan,et al.Target detection method for fragrant pears at mature stage based on improved lightweight YOLO v7[J].Jiangsu Agricultural Sciences,2024,52(20):121.
[12]杨宏宇,谢小龙,郭容,等.基于EBS-YOLO v7的轻量化葡萄病害识别方法[J].江苏农业科学,2025,53(5):165.
　Yang Hongyu,et al.Lightweight grape disease recognition method based on EBS-YOLO v7[J].Jiangsu Agricultural Sciences,2025,53(20):165.

备注/Memo

备注/Memo:
收稿日期：2023-09-25
基金项目：新疆维吾尔自治区重大科技专项(编号：2022A02011-2)；科技创新2030重大项目(编号：2022ZD0115805)。
作者简介：鲁子翱(2000—)，男，湖南岳阳人，主要研究方向为图像处理。E-mail：17873555123@163.com。
通信作者：张婧婧，副教授，主要从事农业信息化技术工作。E-mail：zjj@xjau.edu.cn。
更新日期/Last Update: 2024-10-20