文件大小：0.76M
摘要：为精准识别烟叶主脉,实现烟叶机械化抓取以及降低抓取破损率,提出一种基于改进YOLOv7—tiny的轻量化烟叶主脉识别模型。首先在原YOLOv7—tiny的网络基础上将backbone提取网络替换为更加轻量的MobileNetV3,并将其深层的非线性激活函数h-swish替换为ReLU激活函数以增强模型的线性表达能力;再将颈部的普通卷积替换为轻量级GSConv并采用范式设计(Slim—Neck),对模型通道进行压缩,除去多余的特征以轻量化网络结构;最后引用SIoU损失函数降低模型的损失值,增强模型对烟叶主脉的融合能力。结果表明:改进模型在烟叶数据集上的平均精度均值mAP为91.3%,在仅损失1.6%的代价下,参数量比原模型减少51.1%,计算量为4.3 G,仅为原模型(13.2 G)的32.6%,相比于YOLOv5—s(16.5 G)、YOLOv6—n(11.4 G)、YOLOx—s(26.8 G)、YOLOv8—n(8.7 G)、YOLOv9—t(7.7 G)均有所提升。改进后的模型可以部署在计算资源匮乏的边缘化设备上,为烟叶的机械化收获提供一定的技术支撑。
文章目录
0 引言
1 数据处理
1.1 数据集获取
1.2 实验数据处理
1.3 实验环境及训练参数设置
2 基于改进YOLOv7—tiny检测模型
2.1 YOLOv7—tiny目标检测算法
2.2 改进MobileNetV3轻量级主干网络
2.3 损失函数改进
2.4 GSConv与范式设计在颈部的替换
3 结果与分析
3.1 改进模型消融实验
3.2 与其他经典轻量化模型的对比
3.3 改进前后模型的可视化热力图对比
4 结论
