10.16535/j.cnki.dlhyxb.2022-338
基于改进YOLO v7的微藻轻量级检测方法
为了解决传统的微藻检测方法依赖于复杂的设备和大量的人工操作,不仅耗时长且检测结果易受检测人员技术经验影响等问题,结合微藻显微图像特征,采用 K-means++算法聚类锚框,并基于YOLO v7 模型,提出一种轻量级实时检测微藻的方法YOLO v7-MA.该方法将GhostNet引入YOLO v7 模型中作为主干特征提取网络,以减少网络的参数量,同时将特征融合网络中的普通卷积块替换为深度可分离卷积块,进一 步降低模型的计算复杂度,并在特征融合网络中加入CBAM注意力模块,以提高网络的特征表达能力.结果表明:在 14 种微藻数据集上的试验显示,本研究中提出的 YOLO v7-MA 模型的平均精度均值为98.56%,召回率为 96.88%,F1 值为 97.42%,参数量为 22.64×106,浮点运算次数(FLOPs)为 38.45×109;相较于YOLO v7 模型,YOLO v7-MA模型平均精度均值提高了 0.95%,召回率和F1 值分别提高了1.15%、0.23%,参数量和FLOPs分别降低了14.63%和66.55%;相较于FasterRCNN-VGG16、FasterRCNN-Resnet50、YOLO v4、YOLO v4-Mobilenet v3、YOLO v4-VGG16、YOLO v4-Resnet50 和 YOLO v5s 等模型,YOLO v7-MA模型的平均精度均值也均有提高,参数量均有减少.研究表明,YOLO v7-MA模型能够为微藻的识别分类提供一种轻量化的实时高效检测方法,大大降低了检测人员的工作量.
YOLO v7、微藻检测、K-means++、GhostNet、深度可分离卷积、注意力机制
38
S182;TP391.4(农业生物学)
广东省重点领域研发计划项目;江苏现代农业产业关键技术创新CX202028
2023-03-23(万方平台首次上网日期,不代表论文的发表时间)
共11页
129-139