基于改进YOLOv7的油菜害虫识别研究

油菜害虫的精准识别是智慧油菜的重要一环。为解决当前研究中存在的油菜害虫识别准确率低、模型复杂度高等问题,采用基于改进的YOLOv7-CE算法进行油菜害虫识别。以YOLOv7作为基础模型,在头部层添加用于实时语义分割的通道式特征金字塔(Channel-wise Feature Pyramid for Real-Time Semantic Segmentation,CFPNet),在提升模型推理速度和识别精度的前提下减少了模型参数量和尺寸;在骨干网络层添加深度卷积神经网络的有效通道注意(Efficient Channel Attention for Deep Convolutional Neural Networks,ECA-Net),更进一步优化了模型,降低了参数量和计算量。以菜粉蝶、粘虫、黄曲条跳甲、菜蝽、蚜虫、蝼蛄6大常见虫害图像作为识别对象,通过深度学习框架pytorch对害虫图像进行训练。结果表明,添加了ECA-Net和CFP-Net的油菜害虫识别算法YOLOv7-CE准确率达93.6%,且高于YOLOv7、YOLOv5m、YOLOv5x、Coordinate Attention-YOLOv7和Transformer-YOLOv7对照模型;改进的算法YOLOv7-CE参数量Params降低了4.1个指标,计算量FLOPs降低了66个指标,输入图像尺寸为640×640,帧频为238帧/s,模型权重大小缩减为66.2 MB,有效降低了模型对计算机性能的依赖性。改进的YOLOv7-CE模型具有轻量化、泛化能力强、准确率高、识别速度快、鲁棒性好及损失率较小等特点。