农业机械学报

作者：陈军，曹晓明，刘光耀，胡广锐，张新月，问仕威

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西安工业大学,西北农林科技大学,西北农林科技大学,

关键词：苹果花序;化学疏花;目标检测;YOLO v7-tiny;可视化

基金：国家自然科学基金项目（32272001）和陕西省秦创原“科学家+工程师”队伍建设项目（2023KXJ-016）

为提高复杂果园环境下化学疏花期内小目标苹果花序的检测精度，增强检测综合性能，对YOLO v7-tiny的主干网络、颈部网络以及损失函数进行改进，提出一种化学疏花时期苹果花序状态检测模型ESW-YOLO（EMA and Slim-neck and WIoU-YOLO）。引入高效多尺度注意力（Efficient multi-scale attention，EMA）模块替换主干网络中的部分卷积层，使模型更好地关注花序，忽略复杂的背景；将GSConv-Slim-neck范式设计加入颈部网络，在保证精度的同时降低计算量；采用动态非单调的聚焦机制（Wise intersection of union, WIoU）改善小目标模糊不清、重叠遮挡目标难以检测的问题，提高模型检测精度。试验结果表明，该模型的精确率、召回率和平均精度均值分别为83.02%、82.04%和86.83%，较YOLO v7-tiny模型分别提升2.62、3.74、3.43个百分点，参数量减少5.48%，与YOLO v5s、YOLO v7-tiny、YOLO v8s相比均有所提升。ESW-YOLO模型在不同光照条件（顺光、逆光）与果树种类（红富士、瑞雪、瑞香红）的检测中F1值均高于YOLO v7-tiny模型，且检测示例的F1值均大于84%。采用Score-CAM方法对模型主干网络与颈部网络的输出层进行热力图可视化分析，实现了模型的可解释性。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期