基于改進(jìn)YOLO v7-tiny的小麥麥穗檢測(cè)方法

doi：10.15889/j.issn.1002-1302.2024.20.018

摘要：針對(duì)農(nóng)田環(huán)境下小麥麥穗目標(biāo)檢測(cè)精確率低的問題，在YOLO v7-tiny模型基礎(chǔ)上進(jìn)行深入改進(jìn)，旨在提高麥穗檢測(cè)的準(zhǔn)確率，以滿足農(nóng)業(yè)生產(chǎn)管理系統(tǒng)和農(nóng)業(yè)機(jī)器人邊緣檢測(cè)設(shè)備的需求。采用EfficientViT的主干網(wǎng)絡(luò)替代YOLO v7-tiny的特征提取網(wǎng)絡(luò)層，強(qiáng)化圖像特征的提取能力；在特征融合網(wǎng)絡(luò)層，引入CARAFE上采樣模塊替代原模型中的上采樣模塊，進(jìn)一步優(yōu)化特征融合過程；在特征融合網(wǎng)絡(luò)層和輸出層引入基于跨空間學(xué)習(xí)的高效多尺度注意力機(jī)制，有效提升模型的目標(biāo)檢測(cè)性能。結(jié)果表明，改進(jìn)后的模型在小麥麥穗檢測(cè)精確率上比YOLO v7-tiny模型提高了2.9百分比；與YOLO v7模型相比，本模型雖然精確率低0.2百分點(diǎn)，但在參數(shù)量、計(jì)算量上分別降低了82.6%、84.5%，同時(shí)模型體積減小了81.2%。綜合考慮精確率、參數(shù)量、計(jì)算量、模型體積等多個(gè)指標(biāo)，本研究的改進(jìn)模型在部署于智能農(nóng)機(jī)類邊緣檢測(cè)設(shè)備方面具有優(yōu)越性。

關(guān)鍵詞：目標(biāo)檢測(cè)；YOLO v7；EfficientViT；CARAFE；高效多尺度注意力機(jī)制

中圖分類號(hào)：S126；TP391.41" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0147-10

收稿日期：2023-09-25

基金項(xiàng)目：新疆維吾爾自治區(qū)重大科技專項(xiàng)（編號(hào)：2022A02011-2）；科技創(chuàng)新2030重大項(xiàng)目（編號(hào)：2022ZD0115805）。

作者簡(jiǎn)介：魯子翱（2000—），男，湖南岳陽(yáng)人，主要研究方向?yàn)閳D像處理。E-mail：17873555123@163.com。

通信作者：張婧婧，副教授，主要從事農(nóng)業(yè)信息化技術(shù)工作。E-mail：zjj@xjau.edu.cn。

小麥?zhǔn)乾F(xiàn)今世界上最重要的糧食作物之一。我國(guó)小麥種植面積約占糧食作物總播種面積的22%［1］。我國(guó)是世界上最大的小麥生產(chǎn)國(guó)，準(zhǔn)確識(shí)別麥穗對(duì)于監(jiān)測(cè)小麥生長(zhǎng)、估算產(chǎn)量、分析表型特征至關(guān)重要［2-4］。

隨著深度卷積神經(jīng)網(wǎng)絡(luò)和GPU計(jì)算能力的發(fā)展，目標(biāo)檢測(cè)被廣泛應(yīng)用于智慧農(nóng)業(yè)、人臉識(shí)別、自動(dòng)駕駛等領(lǐng)域［5-7］。將目標(biāo)檢測(cè)技術(shù)應(yīng)用到小麥麥穗的識(shí)別中，可有效減少小麥?zhǔn)崭钪械膿p耗并降低收割成本。目前，小麥麥穗及相關(guān)目標(biāo)檢測(cè)任務(wù)已相繼展開。Olgun等依靠DSIFT進(jìn)行特征提取后，借助支持向量機(jī)分類算法對(duì)麥穗進(jìn)行識(shí)別檢測(cè)，該方法針對(duì)單一小麥麥穗進(jìn)行目標(biāo)進(jìn)行檢測(cè)，應(yīng)用范圍有限［8］。在自然農(nóng)田環(huán)境中，鮑文霞等提出一種基于YOLO v3對(duì)小麥麥穗進(jìn)行目標(biāo)檢測(cè)與計(jì)數(shù)的方法，但模型數(shù)據(jù)集較小，模型的魯棒性較差［9］。Li等提出一種改進(jìn)YOLO v5的麥穗檢測(cè)算法，對(duì)農(nóng)田環(huán)境下模糊不清、有遮擋的麥穗檢測(cè)有一定的性能提升，但模型體積較大［10］。臧賀藏等使用YOLO v5s模型對(duì)淮南區(qū)域試驗(yàn)小麥進(jìn)行麥穗檢測(cè)，可以快速準(zhǔn)確地檢測(cè)出小麥穗數(shù)，但沒有對(duì)模型進(jìn)行改進(jìn)［11］。李云等提出一種基于YOLO v5的麥穗檢測(cè)方法，對(duì)模型體積進(jìn)行輕量化改進(jìn)，但是檢測(cè)精確度不如基線模型［12］。楊蜀秦等利用改進(jìn)YOLOX的單位面積麥穗檢測(cè)方法，通過采樣框?qū)崿F(xiàn)單位面積麥穗計(jì)數(shù)，與對(duì)比模型相比，其檢測(cè)精確率提升效果仍不明顯［13］。Zhang等利用YOLO結(jié)構(gòu)的旋轉(zhuǎn)YOLO小麥檢測(cè)網(wǎng)絡(luò)作為一種新型旋轉(zhuǎn)檢測(cè)器，能夠檢測(cè)任意方向檢測(cè)盒的麥穗圖像，可解決水平檢測(cè)中的背景干擾問題，但是運(yùn)用場(chǎng)景較為單一［14］。

綜上所述，為了提高復(fù)雜農(nóng)田背景下的密集型目標(biāo)檢測(cè)任務(wù)的精確率，本研究對(duì)YOLO v7-tiny檢測(cè)算法進(jìn)行改進(jìn)，主要方法如下：（1）用EfficientViT替換YOLO v7-Tiny的特征提取網(wǎng)絡(luò)層，采用EfficientViT高效的計(jì)算方法［15］，通過優(yōu)化內(nèi)存效率和減少計(jì)算冗余，提高模型的計(jì)算效率，進(jìn)而提升檢測(cè)精確率；（2）在特征融合網(wǎng)絡(luò)層中，用輕量級(jí)上采樣算子CARAFE［16］替換最近鄰插值上采樣方式，以擴(kuò)大感受野并自適應(yīng)輸入內(nèi)容，進(jìn)一步提升檢測(cè)精確率；（3）在特征融合網(wǎng)絡(luò)層和輸出層的特定位置嵌入基于跨空間學(xué)習(xí)的高效多尺度注意力（EMA）機(jī)制［17］，提高多尺度圖像處理的效率和準(zhǔn)確性，通過跨空間學(xué)習(xí)，提高模型的靈活性，實(shí)現(xiàn)輕量級(jí)特性。

1" 材料與方法

1.1" 數(shù)據(jù)集的制作

為提高模型的泛化能力，本次研究使用2個(gè)數(shù)據(jù)集構(gòu)成，共3 436幅圖像，訓(xùn)練集 ∶驗(yàn)證集 ∶測(cè)試集按照8 ∶1 ∶1隨機(jī)劃分。

1.1.1" 自制數(shù)據(jù)集

自制數(shù)據(jù)集的小麥麥穗圖象采集于新疆省昌吉市大西渠鎮(zhèn)華興農(nóng)場(chǎng)（87°29′E，44°22′N），屬于溫帶大陸性氣候。小麥品種為新冬22。拍攝時(shí)間為2023年6—7月，每隔1周進(jìn)行拍攝，覆蓋小麥的成熟期。田間小麥分布較為密集，在采集圖像時(shí)均從側(cè)上方拍攝圖像，經(jīng)過圖像數(shù)量的對(duì)比和預(yù)試驗(yàn)，最終保留53幅圖像構(gòu)成自制數(shù)據(jù)集。采集的麥穗穗圖像分辨率為 1 706像素×1 280 像素，圖 1-a為自制數(shù)據(jù)集圖像示例。

1.1.2" 公開數(shù)據(jù)集

公開數(shù)據(jù)集為全球小麥麥穗檢測(cè)數(shù)據(jù)集［18］，包含4 700幅RGB圖像和約 190 000 個(gè)標(biāo)記的麥穗，由歐洲、北美洲、大洋洲、亞洲的不同品種、不同種植條件、不同氣候、不同采集方法等渠道匯總而成。因此，全球小麥麥穗檢測(cè)數(shù)據(jù)集具有基因型和環(huán)境的多樣性，對(duì)提高小麥穗部檢測(cè)和定位的準(zhǔn)確性、可靠性有所幫助。圖1-b為公開數(shù)據(jù)集圖像示例。

1.2" YOLO v7-tiny模型

YOLO v7是YOLO v4官方團(tuán)隊(duì)在2022年提出的YOLO系列全新架構(gòu)［19］，在5～160 幀/s范圍內(nèi)的速度和準(zhǔn)確率都超過了目前多數(shù)目標(biāo)檢測(cè)器。YOLO v7-tiny算法由YOLO v7精簡(jiǎn)而來，保留基于級(jí)聯(lián)的模型縮放策略，并改進(jìn)了高效長(zhǎng)程聚合網(wǎng)絡(luò)（ELAN）；在保證檢測(cè)精確率的基礎(chǔ)上，其參數(shù)量更小，檢測(cè)速度更快，適應(yīng)各類實(shí)時(shí)檢測(cè)的需求。故本研究選擇在YOLO v7-tiny的基礎(chǔ)上進(jìn)行模型改進(jìn)。YOLO v7-tiny算法由輸入端（Input）、特征提取網(wǎng)絡(luò)（Backbone）、特征融合網(wǎng)絡(luò)（Neck）、輸出端（Head）4個(gè)部分構(gòu)成（圖2）。

輸入端使用Mosaic技術(shù)，提升訓(xùn)練速度，降低內(nèi)存消耗。圖像經(jīng)過輸入端裁剪、縮放等一系列預(yù)處理操作，使像素統(tǒng)一，滿足特征提取網(wǎng)絡(luò)需求。

特征提取網(wǎng)絡(luò)包括CBL卷積塊、改進(jìn)的高效遠(yuǎn)程聚合網(wǎng)絡(luò)（ELAN-A）層和MP卷積層。ELAN-A層從基線的YOLO v7中削減了2組特征計(jì)算塊，提高了特征提取速度，但降低了特征提取能力。

YOLO v7-tiny的特征融合網(wǎng)絡(luò)采用了 YOLO v5 系列的路徑聚合特征金字塔網(wǎng)絡(luò)架構(gòu)，將特征金字塔網(wǎng)絡(luò)頂層的強(qiáng)語(yǔ)義信息與路徑聚合網(wǎng)絡(luò)自下而上的強(qiáng)定位信息張量相結(jié)合，通過特征信息融合，實(shí)現(xiàn)多尺度學(xué)習(xí)。其中，特征融合網(wǎng)絡(luò)的張量拼接中沒有充分優(yōu)先考慮相鄰層的特征目標(biāo)信息，可能導(dǎo)致特征信息的丟失。

輸出端使用類似于YoloR模型的IDetect［20］檢測(cè)頭，引入了一種隱式表示策略，以基于融合的特征值來改進(jìn)預(yù)測(cè)結(jié)果。

1.3" 改進(jìn)YOLO v7-tiny目標(biāo)檢測(cè)算法

1.3.1" 主干特征提取網(wǎng)絡(luò)

對(duì)農(nóng)田環(huán)境下的麥穗檢測(cè)任務(wù)而言，YOLO v7的特征提取模型復(fù)雜度較高，增大了模型的參數(shù)量與計(jì)算量。Vision Transformer （ViT）是將Transformer引入計(jì)算機(jī)視覺領(lǐng)域的成功嘗試。EfficientViT的高速ViT模型通過設(shè)計(jì)新的模塊和注意力機(jī)制來提高內(nèi)存效率和計(jì)算效率，從而在速度和準(zhǔn)確性之間取得良好的平衡?；诖?，本研究提出用EfficientViT取代YOLO v7-Tiny的主干網(wǎng)絡(luò)，以減少模型參數(shù)量，加快檢測(cè)速度并節(jié)省計(jì)算資源。

EfficientViT由3個(gè)模塊組成（圖3）。這3個(gè)模塊分別是三明治布局塊（a）、級(jí)聯(lián)組注意力模塊（b）、參數(shù)重新分配（c）。其中，三明治布局塊采用一種新的布局方式，使用較少內(nèi)存綁定的自注意力層和較多內(nèi)存的高效前饋神經(jīng)網(wǎng)絡(luò)層進(jìn)行通道通信。三明治布局塊旨在解決注意力頭之間的計(jì)算冗余問題，提出一種級(jí)聯(lián)的分組注意力模塊，將完整特征的不同分割提供給注意力頭，既節(jié)省計(jì)算成本，又提高注意力的多樣性。參數(shù)重新分配則是為了減少模型參數(shù)，提出一種參數(shù)重分配策略，將一些參數(shù)從注意力頭移動(dòng)到前饋神經(jīng)網(wǎng)絡(luò)中。

三明治布局塊。為了建立一個(gè)內(nèi)存有效的塊，采用較少內(nèi)存綁定自我注意力層φAi和較多內(nèi)存的有效FFN層φFi信道通信。具體來說，它應(yīng)用了單一的對(duì)于空間混合的單個(gè)自注意力層：

Xi=ПnφFi｛φAi［ПnφFi（Xi）］｝。（1）

式（1）中：Xi是第i個(gè)塊的完整輸入特征。塊在單個(gè)自注意層之前和之后將Xi變換為X（i+1）。設(shè)計(jì)減

少了模型中自我注意力層造成的存儲(chǔ)時(shí)間消耗，并應(yīng)用更多的前饋神經(jīng)網(wǎng)絡(luò)層，允許不同特征通道之間的有效通信；此外使用深度卷積在每個(gè)前饋神經(jīng)網(wǎng)絡(luò)之前應(yīng)用額外的令牌交互層，通過引入局部結(jié)構(gòu)信息的感性偏置，增強(qiáng)模型能力。

級(jí)聯(lián)組注意力模塊。注意頭冗余是多頭自注意力中的一個(gè)嚴(yán)重問題，容易導(dǎo)致計(jì)算效率低下。級(jí)聯(lián)群注意力為每個(gè)頭部提供完整特征的不同分割，從而明確地分解頭部之間的注意力計(jì)算。公式可以表述為：

X～ij=Attn（XijWQij，XijWKij，XijWVij），

X～i+1=Concat（X～ij）j-1 ∶hWpi。（2）

式（2）中：第j個(gè)頭部計(jì)算Xij上的自注意力，Xij是輸入特征Xi的第j個(gè)分割；WQij、WKij、WVij將輸入特征映射到不同子空間的投影層；WPi是將級(jí)聯(lián)的輸出特征投影回與輸入一致的維度的線性層。

圖2中，通過激勵(lì)Q、K、V層學(xué)習(xí)，具有更豐富信息特征上的投影將繼續(xù)提高其容量，并以級(jí)聯(lián)的方式計(jì)算每個(gè)頭部的注意力圖，其將每個(gè)頭部的輸出添加到后續(xù)頭部以漸進(jìn)細(xì)化特征。公式可表述為：

X′ij=Xij+X～i（j-1），1lt;j≤h。（3）

式中：X′ij是第j個(gè)輸入Xij和第（j-1）個(gè)輸出 X～i（j-1） 的相加，當(dāng)計(jì)算自注意力時(shí)，它取代Xij以充當(dāng)?shù)趈個(gè)頭部的新輸入特征。另外，在Q投影之后應(yīng)用交互層，自注意力能夠聯(lián)合捕獲局部和全局關(guān)系，并進(jìn)一步增強(qiáng)特征表示。

參數(shù)重新分配。為了提高參數(shù)效率，EfficientViT通過擴(kuò)大關(guān)鍵模塊的信道寬度、縮小不重要模塊的信道寬度，來重新分配網(wǎng)絡(luò)中的參數(shù)。具體而言，每個(gè)頭部所有階段的Q、K投影均設(shè)置了小通道維度。對(duì)于V投影，允許它與輸入嵌入具有相同的維數(shù)。由于其參數(shù)冗余性，F(xiàn)FN的擴(kuò)展比也從4降低到2。該策略中重要模塊在高維空間中有更多學(xué)習(xí)表征的通道，避免了特征信息的丟失。同時(shí)，去除不重要模塊中的冗余參數(shù)，加快推理速度，提高模型效率。

EfficientViT用6個(gè)不同的寬度和深度建立了M0-M5的模型，并為每個(gè)階段設(shè)置了不同數(shù)量的頭部（表1）。與MobileNet v3、LeViT類似，在處理較大分辨率圖像時(shí)，前期的階段計(jì)算更為耗時(shí)。因此，在早期階段比晚期階段使用更少的塊。其中，Ci 、Li 、Hi分別是指第i階段頭部的寬度、深度、數(shù)量。

EfficientViT采用3種優(yōu)化方法來提高計(jì)算效率并減少計(jì)算冗余。不同的優(yōu)化方法對(duì)EfficientViT的性能有不同的影響，通過減少內(nèi)存訪問時(shí)間和計(jì)算冗余，EfficientViT能夠提高計(jì)算效率和加快推理速度。（1）在高效前饋神經(jīng)網(wǎng)絡(luò)層之間使用單個(gè)內(nèi)存綁定的多頭自注意力，提高內(nèi)存效率，同時(shí)增強(qiáng)信道通信；（2）為了解決注意圖在不同頭部之間具有高相似性而導(dǎo)致的計(jì)算冗余問題，級(jí)聯(lián)組注意力模塊以不同的全特征分割方式饋送注意頭，既節(jié)省了計(jì)算成本，又提高了特征多樣性；（3）通過結(jié)構(gòu)化剪枝來重新分配參數(shù)，將更多的參數(shù)分配給關(guān)鍵的網(wǎng)絡(luò)組件，這種參數(shù)重新分配方式最終提高了模型的參數(shù)效率。

1.3.2" 引入上采樣算子CARAFE

現(xiàn)有卷積網(wǎng)絡(luò)體系結(jié)構(gòu)中，特征上采樣是一個(gè)關(guān)鍵算子。傳統(tǒng)算法中上采樣以最近鄰插值法為主，僅僅通過像素點(diǎn)位置來決定上采樣核，并沒有利用特征圖的語(yǔ)義信息，且感知域很小。本研究采用感受野較大的輕量級(jí)通用上采樣算子CARAFE，可以很好地利用特征圖的語(yǔ)義信息，同時(shí)不引入過多的參數(shù)量和計(jì)算量。利用CARAFE代替所有特征層中最近鄰插值上采樣，加強(qiáng)低分辨率特征圖經(jīng)過CARAFE上采樣與高分辨率特征圖的融合，提升特征金字塔網(wǎng)絡(luò)性能。CARAFE分為2個(gè)主要模塊，分別是上采樣核預(yù)測(cè)模塊、特征重組模塊。

由圖4可見，上采樣倍率為δ，輸入特征圖是 H×W×C。通過上采樣核預(yù)測(cè)模塊對(duì)上采樣核進(jìn)行預(yù)測(cè)，再通過特征重組模塊對(duì)上采樣完成重組，獲得具有形狀δH×δW×C的輸出特征圖。在上采樣預(yù)測(cè)模塊中，為降低后續(xù)計(jì)算量，對(duì)輸入形狀H×W×C的特征圖先通過1×1卷積壓縮通道數(shù)，然后壓縮為H×W×Cm的內(nèi)容編碼并預(yù)測(cè)上采樣核，使用Kencode×Kencode卷積層預(yù)測(cè)上采樣核，輸入的通道數(shù)是Cm，輸出是δ2K2up的上采樣核歸一化運(yùn)算，使得上采樣核加權(quán)和為1。在特征重組模塊，針對(duì)輸出特征圖的每一個(gè)位置，映射回到輸入特征圖并取其中1個(gè)大小為Kup×Kup的區(qū)域作為中心，對(duì)該點(diǎn)處采樣核進(jìn)行點(diǎn)積預(yù)測(cè)以獲得輸出值。同一地點(diǎn)不同信道共用同一個(gè)上采樣核，并最終獲得輸出為 δH×δW×C的輸出特征圖。增大Kencode可以擴(kuò)大感受野的范圍，利用更大區(qū)域的上下文信息。增大Kup可以更充分地利用特征圖的語(yǔ)義信息。本研究選取Kencode=3、Kup=5。利用CARAFE上采樣替換特征金字塔網(wǎng)絡(luò)中最近鄰上采樣改進(jìn)后的模型，在檢測(cè)召回率、準(zhǔn)確率、精確率方面均有提升，增強(qiáng)了特征金字塔網(wǎng)絡(luò)對(duì)圖像特征提取和融合的能力。

1.3.3" 引入注意力機(jī)制

關(guān)于小麥輸入的圖像，除了麥穗的信息外，常會(huì)伴有復(fù)雜的農(nóng)田背景信息。在特征融合網(wǎng)絡(luò)中進(jìn)行卷積時(shí)，背景的迭代累積會(huì)形成大量冗余信息，淹沒部分目標(biāo)，導(dǎo)致檢測(cè)準(zhǔn)確率不高。為此，本研究加入EMA注意力機(jī)制，選擇出有效位置，將其加入到Y(jié)OLO v7-tiny網(wǎng)絡(luò)模型中進(jìn)行特征融合，使模型更加精準(zhǔn)地定位和識(shí)別興趣目標(biāo)。

EMA模塊從坐標(biāo)注意力機(jī)制的設(shè)計(jì)策略，將位置信息嵌入到通道注意中，將通道注意力分解為沿2個(gè)不同方向聚合特征的一維特征編碼過程，分別沿水平和垂直方向做一維全局平均池化，不同于通道注意力將輸入使用二維的全局池化轉(zhuǎn)化為單個(gè)特征向量。EMA注意力機(jī)制將通道注意力分解為2個(gè)一維向量的特征編碼，垂直方向捕獲長(zhǎng)距離的依賴性，水平方向保留精確的位置信息，同時(shí)增加1個(gè)卷積核大小為 3×3 的并行分支，聚合多尺度的空間結(jié)構(gòu)信息，它們可以互補(bǔ)地應(yīng)用于輸入的特征圖，有效建立長(zhǎng)短期依賴關(guān)系，增強(qiáng)對(duì)目標(biāo)物體表征的關(guān)注。EMA注意力機(jī)制模塊結(jié)構(gòu)如圖5所示。

1.3.4" 改進(jìn)后的YOLO v7-tiny模型

改進(jìn)后的YOLO v7-tiny模型如圖6所示。將主干網(wǎng)絡(luò)替換為EfficientViT-M1模塊，采用一種更為高效的計(jì)算方法，提升檢測(cè)精確率；采用CARAFE上采樣替換特征金字塔網(wǎng)絡(luò)中最鄰近上采樣改進(jìn)后的模型，增強(qiáng)特征金字塔網(wǎng)絡(luò)對(duì)圖像特征提取和融合的能力；在網(wǎng)絡(luò)模型中添加7個(gè)EMA注意力機(jī)制模塊，通過跨空間學(xué)習(xí)，在多個(gè)通道和批次維度上嵌入模型，提高模型的靈活性和輕量級(jí)特性。

2" 結(jié)果與分析

2.1" 試驗(yàn)環(huán)境

試驗(yàn)于2023年7—9月在新疆農(nóng)業(yè)大學(xué)實(shí)驗(yàn)室進(jìn)行。試驗(yàn)環(huán)境配置：CPU為 AMD EPYC 7642 48-Core Processor，GPU為NVIDIA GeForce RTX 3090，顯存為24 G、ubuntu 20.04系統(tǒng)。使用Pytorch 1.11.0版本，編程語(yǔ)言python 3.8.0，CUDA版本為11.3。訓(xùn)練超參數(shù)設(shè)置見表2。

2.2" 評(píng)價(jià)指標(biāo)

模型的評(píng)價(jià)指標(biāo)主要有：平均精確率均值mAP、參數(shù)量、浮點(diǎn)計(jì)算量GFLOPs、模型體積。

P=TPTP+FP；（4）

R=TPTP+FN；（5）

AP=∫10P（R）dR；（6）

mAP=1N∑Nj=1APj。（7）

式中：TP表示被正確地判定為正樣本的個(gè)數(shù)，F(xiàn)P表示被錯(cuò)誤地判定為正樣本的個(gè)數(shù)，F(xiàn)N表示被錯(cuò)誤判定為負(fù)樣本的個(gè)數(shù)。P（precision）表示精確率、R（recall）表示召回率、 AP（average precision）表示平均精確率，mAP為平均精確率均值。IoU是指預(yù)測(cè)框、真實(shí)框交集部分面積與預(yù)測(cè)框、真實(shí)框并集部分面積的比值。mAP通常分為mAP@0.5和mAP@0.5 ∶0.95 ∶mAP@0.5 是指將IoU設(shè)為0.5；mAP@0.5 ∶0.95是指IoU閾值范圍為0.5～0.95，步長(zhǎng)為0.5。

2.3" 模塊對(duì)比分析試驗(yàn)

為了驗(yàn)證改進(jìn)模型算法的可行性和有效性，針對(duì)改進(jìn)模塊進(jìn)行橫向?qū)Ρ仍囼?yàn)，在保持原有模型的基礎(chǔ)上，對(duì)相同位置不同改進(jìn)點(diǎn)進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)均在YOLO v7-tiny版本基礎(chǔ)上進(jìn)行改進(jìn)，迭代數(shù)為150次。

2.3.1" backbone主干網(wǎng)絡(luò)的對(duì)比分析

為了驗(yàn)證本研究EfficientViT-M1的優(yōu)越性，與其他主干做對(duì)比。將原YOLO v7-tiny的主干網(wǎng)絡(luò)替換為其他主干，主要包括resnet18、Efficient formerv2、EfficientViT-M0、EfficientViT-M2、EfficientViT-M3、EfficientViT-M4、EfficientViT-M5。從表3可以看出，EfficientViT作為主干，相對(duì)于其他主干網(wǎng)絡(luò)具有良好的精確度，且參數(shù)量和計(jì)算量相對(duì)較小，其中EfficientViT-M1更適合作為本次試驗(yàn)的主干網(wǎng)絡(luò)。

2.3.2" 注意力機(jī)制的對(duì)比分析

為了驗(yàn)證本研究跨空間學(xué)習(xí)的高效多尺度注意力機(jī)制的有效性，將該注意力機(jī)制與其他主流注意力機(jī)制做對(duì)比。在相同的位置插入這些主流注意力機(jī)制，包括SimAM［21］、SE［22］、CoTAttention［23］（CoT）、SkAttention［24］（SK）。

由表4可知，加入SimAM、SE注意力機(jī)制后，mAP均有降低。CoT注意力機(jī)制加入后，模型的mAP提升

0.1百分點(diǎn)，效果不明顯。加入SK注意力機(jī)制后，mAP提升了0.9百分點(diǎn)，但參數(shù)量、計(jì)算量、模型體積有大幅度提升。加入EMA注意力機(jī)制后，模型的參數(shù)量、計(jì)算量只有略微提升，模型的mAP增加了1.1百分點(diǎn)。與其他主流注意力機(jī)制相比，本研究所使用的EMA注意力機(jī)制擁有更好的性能。使用EMA注意力機(jī)制可以提高多尺度圖像處理的效率和準(zhǔn)確性，在略微增加參數(shù)量、計(jì)算量的前提下，可以更好地映射出特征之間的聯(lián)系，提高檢測(cè)的精確率。由圖7可知，增加EMA注意力機(jī)制后的檢測(cè)效果明顯優(yōu)于其他注意力機(jī)制。

2.4" 消融試驗(yàn)

為了驗(yàn)證本研究提出的各個(gè)改進(jìn)算法是否有效，設(shè)計(jì)1組消融試驗(yàn)進(jìn)行對(duì)比分析。原模型以 YOLO v7-tiny 為基線，試驗(yàn)A將EfficientViT-M1網(wǎng)絡(luò)作為新的骨干網(wǎng)絡(luò)，試驗(yàn)B替換特征融合網(wǎng)絡(luò)輕量化上采樣算子CARAFE，試驗(yàn)C加入EMA注意力機(jī)制。消融試驗(yàn)結(jié)果（表5）表明，7種改進(jìn)算法都能給模型帶來明顯的性能增益，而且本研究提出的檢測(cè)算法在檢測(cè)性能上表現(xiàn)更為優(yōu)異。

P-R曲線代表精確率與召回率之間的關(guān)系。由圖8可以看出，所有曲線圍成面積均占到90%以上。試驗(yàn)A、B、C的各種改進(jìn)方法對(duì)模型的檢測(cè)性能均起到一定的提升作用。

2.5" 系列模型對(duì)比分析

為進(jìn)一步展示改進(jìn)后模型的檢測(cè)效果，將改進(jìn)的檢測(cè)算法與YOLO系列的模型YOLO v3-Tiny、YOLO v5s、YOLO v7、YOLO v7-tiny相比較，結(jié)果如表6所示。YOLO v3-tiny的mAP值僅為88.7%，模型體積為17.5 MB，與改進(jìn)后的YOLO v7-tiny模型有較大差距。YOLO v5s的mAP值為89.1%，參數(shù)量為7.02 M，性能表現(xiàn)相對(duì)YOLO v3-tiny較好，并未超越Y(jié)OLO v7-tiny的模型效果。YOLO v7-tiny 的mAP值為91.1%，參數(shù)量為 6.01 M，性能表現(xiàn)良好。改進(jìn)過的YOLO v7-tiny的mAP達(dá)到94.0%，且模型的復(fù)雜程度相對(duì)變化不大。YOLO v7檢測(cè)算法的mAP值雖達(dá)到94.2%，與改進(jìn)后的算法相接近，但模型參數(shù)量達(dá)到36.50 M，計(jì)算量為103.2 GFLOPs。最新的 YOLO v8s 模型的檢測(cè)效果較好，mAP值為93.8%，模型的復(fù)雜度相對(duì)于改進(jìn)后的模型較大。綜合比較，不難看出改進(jìn)后模型的性能整體優(yōu)于其他網(wǎng)絡(luò)模型。

2.6" 麥穗檢測(cè)效果

在小麥麥穗的目標(biāo)檢測(cè)中，使用YOLO v7-tiny與改進(jìn)后的YOLO v7-tiny檢測(cè)算法進(jìn)行識(shí)別對(duì)比，結(jié)果如圖9所示。圖9-a、圖9-c為 YOLO v7-tiny 檢測(cè)效果圖，圖9-b、圖9-d為改進(jìn)后模型的檢測(cè)效果圖。對(duì)比圖9-a、圖9-b可以發(fā)現(xiàn)， 標(biāo)記圈內(nèi)實(shí)際含2個(gè)麥穗，而YOLO v7-tiny

檢測(cè)出3個(gè)麥穗，存在誤檢現(xiàn)象；對(duì)比圖9-c、圖 9-d 可以發(fā)現(xiàn)，標(biāo)記圈內(nèi)仍含2個(gè)麥穗，而YOLO v7-tiny檢測(cè)出1個(gè)麥穗，出現(xiàn)漏檢問題。在改進(jìn)后的模型測(cè)試中，漏檢、誤檢得到改善。綜上，在小麥麥穗的檢測(cè)模型中，改進(jìn)前后的置信度基本相似，而改進(jìn)后的麥穗目標(biāo)檢測(cè)效果更好。

圖10中，黃色曲線為改進(jìn)后的YOLO v7-tiny模型，藍(lán)色為YOLO v7-tiny基線模型，改進(jìn)后的模型mAP@0.5和mAP@0.5 ∶0.95均優(yōu)于改進(jìn)前的模型，改進(jìn)后的檢測(cè)算法更優(yōu)。

3" 結(jié)論

以YOLO v7-tiny檢測(cè)模型為基礎(chǔ)，本研究采用農(nóng)田環(huán)境下小麥麥穗數(shù)據(jù)集作為研究對(duì)象， 提出

改進(jìn)的YOLO v7-tiny模型。將EfficientViT作為其主干網(wǎng)絡(luò)，原有的特征融合網(wǎng)絡(luò)上采樣方法替換為CARAFE算子，在特征融合網(wǎng)絡(luò)層和輸出層的特定位置加入EMA注意力機(jī)制，在定量評(píng)估不同檢測(cè)模型的精確率、參數(shù)量、計(jì)算量和模型體積之后發(fā)現(xiàn)，本改進(jìn)模型對(duì)小麥麥穗的檢測(cè)更具優(yōu)勢(shì)，適于在智能農(nóng)機(jī)類邊緣檢測(cè)設(shè)備中部署。

參考文獻(xiàn)：

［1］Liu H，Wang Z H，Yu R，et al. Optimal nitrogen input for higher efficiency and lower environmental impacts of winter wheat production in China［J］. Agriculture，Ecosystems amp; Environment，2016，224：1-11.

［2］宋懷波，王云飛，段援朝，等. 基于YOLO v5-MDC的重度粘連小麥籽粒檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（4）：245-253.

［3］王" 玲，張" 旗，馮天賜，等. 基于YOLO v7-ST模型的小麥籽粒計(jì)數(shù)方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（10）：188-197，204.

［4］黃" 碩，周亞男，王起帆，等. 改進(jìn)YOLO v5測(cè)量田間小麥單位面積穗數(shù)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（16）：235-242.

［5］鄭遠(yuǎn)攀，李廣陽(yáng)，李" 曄. 深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述［J］. 計(jì)算機(jī)工程與應(yīng)用，2019，55（12）：20-36.

［6］康飛龍，李" 佳，劉" 濤，等. 多類農(nóng)作物病蟲害的圖像識(shí)別應(yīng)用技術(shù)研究綜述［J］. 江蘇農(nóng)業(yè)科學(xué)，2020，48（22）：22-27.

［7］李子涵，周省邦，趙" 戈，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識(shí)別研究綜述［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（7）：15-23.

［8］Olgun M，Onarcan A O，zkan K，et al. Wheat grain classification by using dense SIFT features with SVM classifier［J］. Computers and Electronics in Agriculture，2016，122：185-190.

［9］鮑文霞，謝文杰，胡根生，等. 基于TPH-YOLO的無人機(jī)圖像麥穗計(jì)數(shù)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（1）：155-161.

［10］Li R，Wu Y P. Improved YOLO v5 wheat ear detection algorithm based on attention mechanism［J］. Electronics，2022，11（11）：1673.

［11］臧賀藏，趙" 晴，周" 萌，等. 基于YOLO v5s模型的小麥品種（系）穗數(shù)檢測(cè)［J］. 山東農(nóng)業(yè)科學(xué)，2022，54（11）：150-157.

［12］李" 云，邱述金，趙華民，等. 基于輕量化YOLO v5的谷穗實(shí)時(shí)檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（6）：168-177.

［13］楊蜀秦，王" 帥，王鵬飛，等. 改進(jìn)YOLOX檢測(cè)單位面積麥穗［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（15）：143-149.

［14］Zhang D Y，Luo H S，Cheng T，et al. Enhancing wheat Fusarium head blight detection using rotation Yolo wheat detection network and simple spatial attention network［J］. Computers and Electronics in Agriculture，2023，211：107968.

［15］Liu X Y，Peng H W，Zheng N X，et al. EfficientViT：memory efficient vision transformer with cascaded group attention［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouve：IEEE，2023：14420-14430.

［16］Wang J Q，Chen K，Xu R，et al. CARAFE：content-aware ReAssembly of FEatures［C］//2019 IEEE/CVF International Conference on Computer Vision.Seoul：IEEE，2019：3007-3016.

［17］Ouyang D L，He S，Zhang G Z，et al. Efficient multi-scale attention module with cross-spatial learning［C］//2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing.Rhodes Island：IEEE，2023：1-5.

［18］David E，Madec S，Sadeghi-Tehran P，et al. Global wheat head detection （GWHD） dataset：a large and diverse dataset of high-resolution RGB-labelled images to develop and benchmark wheat head detection methods［J］. Plant Phenomics，2020，2020：3521852.

［19］Wang C Y，Bochkovskiy A，Liao H Y M. YOLO v7：trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver：IEEE，2023：7464-7475.

［20］Wang C Y，Yeh I H，Liao H Y M.You only learn one representation：unified network for multiple tasks［J］. Journal of Information Science and Engineering，2023，39（3）：691-709.

［21］Yang L，Zhang R，Li L，et al. SimAM：a simple，parameter-free attention module for convolutional neural networks［C］//Proceedings of the 38th International Conference on Machine Learning.PMLR，2021，139：11863-11874.

［22］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：7132-7141.

［23］Li Y H，Yao T，Pan Y W，et al. Contextual transformer networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2023，45（2）：1489-1500.

［24］Li X，Wang W H，Hu X L，et al. Selective kernel networks［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach：IEEE，2019：510-519.