文献类型： 中文期刊

作者： 刘双喜 ¹ ; 刘思涛 ¹ ; 屈慧星 ² ; 王刘西航 ¹ ; 胡宪亮 ³ ; 许增海 ⁴ ;

作者机构： 1.山东农业大学机械与电子工程学院

2.山东省农业机械科学研究院

3.济南祥辰科技有限公司

4.济阳区农业农村局

关键词： 稻飞虱;图像识别;机器学习;目标检测;分类;YOLO v7

期刊名称： 农业机械学报

ISSN：

年卷期： 2023 年 0S1 期

页码： 212-221

收录情况： EI ; 北大核心 ; CSCD

摘要： 智能虫情测报灯下害虫的精准识别和分类是实现稻田虫情预警的前提，为解决水稻害虫图像识别过程中存在分布密集、体态微小、易受背景干扰等造成识别精度不高的问题，提出了一种基于MS-YOLO v7（Multi-Scale-YOLO v7）轻量化稻飞虱识别分类方法。首先，采用稻飞虱害虫诱捕装置搭建稻飞虱害虫采集平台，获取的稻飞虱图像构成ImageNet数据集。然后，MS-YOLO v7目标检测算法采用GhostConv轻量卷积作为主干网络，减小模型运行的参数量；在Neck部分加入CBAM注意力机制模块，有效强调稻飞虱区别度较高的特征通道，抑制沉冗无用特征，准确提取稻飞虱图像中的关键特征，动态调整特征图中不同通道的权重；将SPPCSPS空间金字塔池化模块替换SPPFS金字塔池化模块，提高网络模型对各分类样本的特征提取能力；同时将YOLO v7模型中的SiLU激活函数替换为Mish激活函数，增强网络的非线性表达能力。试验结果表明，改进后的MS-YOLO v7在测试集上的模型平均精度均值（Mean average precision, mAP）为95.7%,精确率（Precision）为96.4%,召回率（Recall）为94.2%,与Faster R-CNN、SSD、YOLO v5、YOLO v7网络模型相比mAP分别提高2.1、3.4、2.3、1.6个百分点，F1值分别提高2.7、4.1、2.5、1.4个百分点。改进后的模型内存占用量、参数量、浮点运算数分别为63.7 MB、2.85×10~7、7.84×10¹⁰,相比YOLO v7模型分别缩减12.5%、21.7%、25.4%,MS-YOLO v7网络模型对稻飞虱种间害虫均能实现高精度的识别与分类，具有较好的鲁棒性，可为稻田早期稻飞虱虫情预警提供技术支持。