基于YOLOv7-tiny改进的小目标害虫检测方法技术

本发明专利技术涉及图像处理技术领域，尤其涉及基于YOLOv7‑tiny改进的小目标害虫检测方法，包括采集蚜虫图像；对蚜虫图像进行离线处理，并制作数据集；构建改进YOLOv7‑tiny网络模型，对YOLOv7‑tiny的主干网络进行轻量化设计；压缩颈部网络，与主干网络实现通道对齐；对中、小尺度特征层进行细粒度设计；对改进YOLOv7‑tiny网络模型进行训练。本发明专利技术改进后的YOLOv7‑tiny模型适用于相似性高的小目标识别；同时可以部署在低成本边缘设备上，最终实现对蚜虫检测系统的广泛应用，满足智慧农业、精准农业的需求。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其涉及基于yolov7-tiny改进的小目标害虫检测方法。

技术介绍

1、玉米、水稻、高粱、小麦等禾谷类作物的生长和产量往往受到各种虫害影响。蚜虫作为其中一种小型昆虫，主要以吸食植物汁液为生；因此加强对蚜虫的监测和预警至关重要。

2、然而在防治过程中，由于人工识别工作强度大、效率低，易造成误检、漏检等大概率事件，所以将计算机视觉加入害虫监测体系对于农业的可持续发展有着重要意义；此外，蚜科昆虫普遍呈现子类别类间差异小、类内差异大，体积小两大分类难点。

3、针对上述问题，研究学者提出多种解决方案。早期主要使用传统机器学习方法对害虫进行识别，这类方法一般包括特征提取和分类两个步骤，其中害虫图像识别精度提取主要依靠手工特征提取效果与分类模型设计；然而，由于人工特征的描述能力有限，导致对具有相似度、像素占比少特性的目标识别效果不佳。

4、在细粒度图像识别方法中，基于深度学习的目标检测方法大致可分为两类：基于强监督的细粒度图像识别，基于弱监督的细粒度图像识别。其中强监督识别方法主要有part-based r本文档来自技高网...

【技术保护点】

1.基于YOLOv7-tiny改进的小目标害虫检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于YOLOv7-tiny改进的小目标蚜虫检测方法，其特征在于，将大小为2448×3264的蚜虫图像切割成4×4子图、1440×1080切割成2×2子图、1920×1080切割成2×1子图。

3.根据权利要求1所述的基于YOLOv7-tiny改进的小目标蚜虫检测方法，其特征在于，使用RepGhostConv结构替换YOLOv7-tiny的主干网络中ELAN主干网络中3×3卷积。

4.根据权利要求1所述的基于YOLOv7-tiny改进的小目标蚜虫检...

【技术特征摘要】

1.基于yolov7-tiny改进的小目标害虫检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于yolov7-tiny改进的小目标蚜虫检测方法，其特征在于，将大小为2448×3264的蚜虫图像切割成4×4子图、1440×1080切割成2×2子图、1920×1080切割成2×1子图。

3.根据权利要求1所述的基于yolov7-tiny改进的小目标蚜虫检测方法，其特征在于，使用repghostconv结构替换yolov7-tiny的主干网络中elan主干网络中3×3卷积。

4.根据权利要求1所述的基于yolov7-tiny改进的小目标蚜虫检测方法，其特征在于，使用亚像素特征融合模块替换yolov7-tiny主干网络的输出特征提取层中的降维卷积。

5.根据权利要求4所述的基于yolov7-tiny改进的小目标蚜虫检测方法，其特征在...

【专利技术属性】
技术研发人员：徐伟悦，陈伟，沈聪，杨如雪，
申请(专利权)人：常州大学，
类型：发明
国别省市：