文件大小：0.94M
摘要：在沙葛花机械化修剪过程中，背景复杂、相互遮挡和分布密集等问题导致其识别精度较低.为解决该难题，本文提出一种基于YOLOv7的改进模型用于沙葛花识别.通过收集不同条件下的沙葛花图像并进行数据增强，构建符合真实采摘场景的复杂环境数据集.在模型改进方面，引入BiFormer注意力机制，增强模型对沙葛花特征的学习能力；同时替换SIoU 损失函数，优化模型对目标框的定位.试验结果显示，改进后的模型mAP达93.2%，与其他常见模型相比，改进模型在mAP和精度上均有显著提升.该模型检测速度快，能够在复杂环境下准确检测沙葛花，适用于沙葛花修剪机械的迁移部署，为沙葛花机械化实时修剪的研究与应用提供了有力的技术支撑.
文章目录
1 数据集构建
2 模型构建及改进
2.1 YOLOv7目标检测局限性
2.2 模型的改进
2.2.1 BiFormer注意力机制
2.2.2 SIoU损失函数
2.3 网络模型的训练
2.3.1 环境配置
2.3.2 评价指标
3 结果与讨论
3.1 注意力机制对模型影响
3.2 损失函数对模型的影响
3.3 消融试验
3.4 与其他经典目标检测模型性能对比
3.5 模型检测效果
4 结论
