基于改进YOLO v7的微藻轻量级检测方法

来源：大连海洋大学学报杂志2023年第1期北京时间：

作者：吴志高, 陈明

单位：上海海洋大学 信息学院, 农业农村部渔业信息重点实验室, 上海 201306

摘要：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。

关键词：YOLOv7,微藻检测,K-means++,GhostNet,深度可分离卷积,注意力机制

基金资助：广东省重点领域研发计划项目(2021B0202070001)；江苏现代农业产业关键技术创新(CX(20)2028)