基于改进YOLOv7的草莓病害识别及应用.pdf
摘要
草莓作为一种经济型水果，对农村经济发展有重要推动作用。但草莓生长易受病
害侵扰，所以病害防治对提升草莓产量和品质意义重大。目前人工识别病害容易误判，
在数字化农业潮流的驱动下，目标检测技术在草莓病害识别领域虽有进展，但仍有待
解决的问题：由于环境复杂导致草莓病害图像识别过程中会损失信息，准确性受限；
病害数据稀缺和病害种类缺乏多样性，限制了病害防治技术的发展。为解决这些问题，
本文在丰富数据集基础上，改进了YOLOv7-SRF算法，提高复杂环境下的识别精度。
具体工作如下：
(1)草莓病害数据集构建。本文通过网络爬虫和人工拍摄获取图像数据，记录草
莓生长中的病害，并在不同角度采集患病叶片和果实。采用labelImg手工标注图片数
据后，建立包含白粉病、叶斑病、花枯病、炭疽病和灰霉病等5种病害的数据集，共
5626张图像。数据集按8:1:1比例分为训练集、验证集和测试集。
(2)改进了一种基于YOLOv7模型的草莓病害识别算法——YOLOv7-SRF，通过
对原有模型的改进，提高了对草莓病害识别的准确率和效率。经过深度学习模型训练
对比，选定YOLOv7作为基础网络算法。将YOLOv7模型中的ELAN部分网络改为
PConv网络，实现了模型轻量化；针对草莓病害图像识别中因环境因素识别不准确的
问题，通过在YOLOv7中添加SE注意力模块，可减少信息损失，提升模型区分病害
与草莓作物的能力。为了解决草莓病害大小差异、拍摄尺度多变导致的模型识别难题，
将YOLOv7算法骨干网络中的SPPF(空间金字塔池化特征)结构替换为BasicRFB(基础
残差特征块)。经过各组实验表明，改进后YOLOv7-SRF算法的识别准确率为83.6%，
75.9%mAP@0.582.7%FPS44.7GFLOPS96.5Param31.6M
召回率，为，为，为，为，
减少模型大小的同时满足实时性的要求，从而为后续的研究和应用提供参考。
(3)设计了一个基于YOLOv7-SRF和NCNN模型的草莓病害识别系统，系统包
含病害检测、病害信息、检测记录以及个人中心，测试表明，可以满足精确且实时识
别病害图像，为草莓病害的防控提供了技术支持。
关键词：目标检测；草莓病害识别；YOLOv7；轻量化处理；注意力机制
II
目录
第一章绪论1
1.1研究背景和意义1
1.2国内外研究现状2
1.2.1目标检测技术的研究现状2
1.2.2农作物病害检测技术的研究现状3
1.2.3草莓病害检测技术的研究现状5
1.3文章研究内容6
1.4论文结构7
第二章相关技术理论基础10
2.1卷积神经网络10
2.1.1卷积层10
2.1.2池化层11
2.2目标检测算法概述12
2.2.1FasterR-CNN13
2.2.2SSD14
2.2.3EfficientDet15
2.2.4CenterNet16
2.2.5YOLO算法17
2.3注意力机制19
2.3.1SEAttention20
2.3.2CBAM21
2.3.3SimAM22
2.4本章小结22
第三章构建数据集23
3.1数据集中目标类别信息23
3.2图像获取24
3.2.1网络爬虫24
3.2.2人工采集25
3.3数据预处理26
3.3.1数据去重26