基于YOLOv7的葡萄叶片病害检测算法研究.pdf
哈尔滨理工大学工学硕士学位论文
基于YOLOv7的葡萄叶片病害检测算法研究
摘要
在葡萄生长过程中，叶片经常受到病害的侵袭，这不仅降低了葡萄的品质
和产量，严重时可能导致葡萄园遭受毁灭性的打击。本文针对葡萄叶片在发病
初期小病斑难以检测的问题，对YOLOv7进行改进，提高其网络检测精度，并
对网络进行轻量化处理，在保持精准度的同时提高检测速度。
YOLOv7P2
针对难以提取葡萄叶片小病斑特征的问题，本文首先将特征
层纳入特征融合过程中，并添加了一个新的检测头，提出了一个新的检测模型
YOLOv7-P2。然后将CA(CoordinateAttention)注意力机制进行改进并融入到
YOLOv7-P2中，设计并实现了一种新的检测算法YOLOv7-PC。最后将SIoU
SoftIntersectionOverUnionFocalL1
（）损失函数与损失函数相结合，设计一
种新的损失函数Focal-SIoU。经过对公开数据集PlantVillage中的葡萄褐斑病、
黑腐病、轮斑病进行验证，与YOLOv7相比，改进后的算法平均精度值
meanAveragePrecisionmAP93.8%3.1%
（，）达到了，提高了。实验结果表明，
经过改进的模型在检测葡萄叶片小病斑时具有更高的准确性。
针对YOLOv7-PC网络参数量较多和计算量较大的问题，本文通过引入轻
量级网络ShuffleNetV2、Ghost瓶颈结构、通道剪枝策略对YOLOv7-PC进行改
进。首先对轻量级网络ShuffleNetV2模型进行重参数化，替换YOLOv7-PC的
Backbone部分，使模型的参数量大幅度下降。然后在Head部分中将CatELAN
替换为Ghost瓶颈结构，使得整个模型更轻量。最后设计通道剪枝策略，对
BNBatchNormalization
（）层中的缩放因子进行稀疏训练，筛选出可以优化的
参数传输通道，进行通道剪枝，去除不重要的权重。通过数据集进行验证，与
YOLOv7-PC相比，平均精度值达到91.5%，下降2.3%，模型的计算量为
54.5G，降低了69.2G，这表明经过轻量化处理的模型在略微降低检测精度的同
时，显著减少了模型的计算量，提高了模型的检测速度。
关键词葡萄叶片病害；小病斑；YOLOv7；注意力机制；通道剪枝
-I-
哈尔滨理工大学工学硕士学位论文
ResearchonGrapeLeafDiseaseDetectionAlgorithm
BasedonYOLOv7
Abstract
Duringthegrapegrowthprocess,theleavesareoftenattackedbydiseases,
whichnotonlyreducesthequalityandyieldofthegrapes,butcanleadtoa
devastatingblowtothevineyard.Aimingatthedifficultyofdetectingminorlesions
ongrapeleavesintheearlystageofdisease,thisthesisimprovedYOLOv7to
improveitsnetworkde