科创中国

农、林、牧、渔业,农业

本发明属于农业分类领域，公开了一种基于YOLO v7轻量级针对田间杂草小目标检测方法、系统及应用，该模型为了更好的部署到移动设备中，将主干网络进行改进，将主干网络改为GhostNet，相较于MobileNet等网络效果更好。同时针对田间玉米苗以及杂草为小目标的问题，采取两种方式进行改进，首先，在网络中加入CBAM注意力机制，该机制可以将这些特征信息进行注意力重建，对目标检测物体给予更多的注意力。其次是在该模型主干网络加入小目标检测层，通过两种方式相结合，可以有效提高杂草识别错检、漏检现象，提高整体准确性。因此，该模型不仅可以减少网络的参数量，同时也可以有效保证模型的准确性和实时性。

目前常见的杂草识别分为机器视觉技术和基于深度学习的目标检测算法。机器视觉技术已经被广泛使用，主要步骤是先进行特征提取然后再对杂草进行识别，虽然精度高，但是耗时长，泛化性差，难以真正部署在除草设备上。而基于深度学习的目标检测算法分为两类，它们不仅解决了复杂、低效的提取特征环节，而且只要将图片裁剪成合适的图片的大小就可以完成杂草识别，一类是两阶段算法如Faster RCNN、Mask R-CNN等，这一类算法针对类似于杂草这类小目标具有较好的准确性，但是实时性不够好，另一类是单阶段算法如YOLO、SSD等，具有较高的实时性，但是对于类似于杂草这类有遮挡、重叠的小目标检测准确性有待提高。而在真正生产生活中，这些模型是要真正部署到移动嵌入式设备上，同时，防止杂草影响作物的生长要保证模型的实时性。因此，对于算法模型如何在有限的硬件配置下节约计算资源，同时又能保证识别准确性、实时性是至关重要的。

东北农业大学（Northeast Agricultural University，英文简称：NEAU），简称为“东北农大”，位于黑龙江省哈尔滨市香坊区长江路600号，由黑龙江省教育厅负责管辖， [46] 是国家“双一流”建设高校 [35] 、“双一流”农科联盟 [61] 、国家首批“211工程”建设高校，黑龙江省人民政府与中华人民共和国农业部共建高校，入选国家中西部高校基础能力建设工程、卓越农林人才教育培养计划项目试点、高等学校创新能力提升计划 [1] ，是全国首批博士、硕士学位授予单位，黑龙江省重点建设的省属特色高水平大学，“援疆学科建设计划”，首批高等学校科技成果转化和技术转移基地。