基于EBS-YOLO v7的轻量化葡萄病害识别方法  

Lightweight grape disease recognition method based on EBS-YOLO v7

作　　者：杨宏宇 谢小龙 郭容 张佳进[2] Yang Hongyu

机构地区：[1]云南农业大学机电工程学院,云南昆明650201 [2]云南农业大学大数据学院,云南昆明650201

出　　处：《江苏农业科学》2025年第5期165-174,共10页Jiangsu Agricultural Sciences

基　　金：云南省重大科技专项(编号:202202AE090021)。

摘　　要：为了解决葡萄病害检测过程中存在的识别精度低、模型计算复杂度高及参数量大等问题,提出一种基于EBS-YOLO v7的轻量化葡萄病害识别方法。该方法使用EfficientNet轻量化网络结构替换YOLO v7主干网络,使模型在降低计算量及参数量的同时保持检测精度;在主干网络不同尺度特征输出层嵌入BiFormer注意力机制,强化模型对病害区域特征的提取能力,提高对细节、全局信息的理解能力;采用SIoU(SCYLLA交并比)损失函数作为边界框损失函数,加快模型收敛速度并提高边界框预测精度。结果表明,EBS-YOLO v7模型的准确率、召回率、平均精度均值分别达到97.4%、96.2%、98.3%,相较于YOLO v7模型分别提高了2.4、2.3、2.8百分点,参数量、计算量分别减少至原模型的32.5%、20.0%。与SSD、Faster-RCNN、YOLO v5模型相比,改进模型的平均精度均值分别提高6.0、11.9、7.2百分点,且参数量、计算量也均低于其他模型。研究结果显示,EBS-YOLO v7模型在保持高检测精度的同时,大幅降低了计算资源的消耗,可为葡萄病害的精准快速识别提供技术支持。

关 键 词：目标检测 病害识别 轻量化 YOLO v7 注意力机制 SIoU 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术] S126[自动化与计算机技术—计算机科学与技术]