农业机械学报

作者：吴利刚，陈乐，周倩，史建华，马宇波

单位：山西大同大学,山西大同大学,山西大同大学,山西大同大学,山西大同大学,

关键词：黄花;成熟度;深度学习;注意力机制;信息融合机制;轻量化

基金：国家自然科学基金项目(12375050)、山西省教育科学“十四五”规划课题项目（GH-220178）、山西省基础研究计划项目（202303021211330）、山西省研究生实践创新项目（2023SJ290）、山西大同大学基础科研基金项目（2022K1）、山西大同大学研究生科研创新项目（2023CX07）和山西大同市科技计划项目（2023015）

针对黄花传统人工识别效率低，辨识标准不统一的问题，提出基于轻量化和高效层聚合过渡网络的黄花成熟度识别方法LSEB YOLO v7。首先，引入轻量化卷积对高效层聚合网络和过渡模块进行轻量化处理，减少模型计算量。其次，在特征提取与特征融合网络之间增加通道注意力机制，提升模型检测性能。最后，在特征融合网络中，优化通道信息融合方式，使用双向特征金字塔网络替换Concatenate，增加信息融合通道，持续提升模型性能。实验结果表明：与原始模型相比，在黄花成熟度检测中，改进后的LSEB YOLO v7模型参数量和浮点运算量分别减少约2.0×106和7.7×109。训练时长由8.025h降低至7.746h，模型体积压缩约4MB。同时，训练精确率和召回率分别提升约0.64个百分点和0.14个百分点，mAP@0.5和mAP@0.5：0.95分别提升约1.84个百分点和1.02个百分点。此外，调和均值性能保持不变，均为84.00%。LSEB YOLO v7算法可均衡模型复杂性与性能，为黄花成熟度检测和智能化采摘设备提供技术支持。

来源：2024年第2期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第2期