基于EBS-YOLO v7的轻量化葡萄病害识别方法

来源：江苏农业科学杂志2025年第第5期北京时间：

作者：杨宏宇;谢小龙;郭容;张佳进

单位：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

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