农业智能化研究 | 基于改进YOLOv7模型的田间麦穗识别与计数
农业智能化研究 | 基于改进YOLOv7模型的田间麦穗识别与计数
摘要:在小麦育种中,穗数是评价小麦产量的重要指标,及时、准确地获取小麦穗数对产量预测具有重要的现实意义。因此,提出一种新的网络模型YOLOv7—ASFF—ECA,将自适应特征融合(ASFF)和通道注意力机制(ECA)与YOLOv7相结合。试验采用本地采集的麦穗图像数据集,共包括3373张麦穗图像。结果显示,该模型的精确率达到 97.8% ,召回率为97% ,平均精度均值 (mAP) 为 98.3%,F1 值为 97.4% ,平均每幅图像的处理时间为 28.1ms ,计数方面也几乎无漏检。为验证此模型在田间的准确度,将数据集按照光照强度大小分为光亮和阴影两种状态,按照平滑程度分为光滑和加噪状态,分别用此模型和其他模型进行对比试验。在阴影状态下,该模型的精确率为 95.6% ,召回率为 97.5%,F1 值为 96.4% ,mAP为 97.3% 。而在加噪态下,精确率为 95.8% ,召回率为 97.0%,F1 值为 96.3% mAP 为 97.8% 。综合对比来看,YOLOv7—ASFF—ECA网络模型不仅保证高准确性,而且具备较快的检测速度和校准的计数。此外,该模型在处理田间小麦密度密集和严重遮挡等情况时具有出色的鲁棒性,为小麦麦穗的识别和产量预估提供新的技术支持。