融合多尺度注意力机制的棉花枯萎病识别算法研究.pdfVIP

第46卷第2期现代农业装备Vol.46No.2

Modern Agricultural Equipment

现代农业装备2025年

2025年4月Apr.2025

融合多尺度注意力机制的棉花枯萎病识别算法研究

11,21,21

李文雪，孟洪兵，孙丽丽，韩璐宇

（1.塔里木大学信息工程学院，新疆 阿拉尔 843300；2.塔里木绿洲农业教育部重点实验室

（塔里木大学），新疆 阿拉尔 843300）

摘要：针对棉花枯萎病检测时叶片背景复杂、有遮挡以及病变多尺度等问题，提出一种融合多尺度注意力机

制的YOLOv7棉花枯萎病识别算法。为适应棉花枯萎病病斑尺度不一、形状多变的特征，提升识别检测效果，在

YOLOv7的特征提取网络中添加多尺度注意力模块，通过多尺度信息的融合和自适应权重调整机制，提高模型的

泛化性能；同时为了降低模型的计算量和参数量，提高模型的运行速度，更换特征提取网络为InceptionNeXt。

PmAP

试验结果表明，改进后的YOLOv7模型检测精度达到95.9%，对比基线模型提升了2.3%；平均精度@0.5达到

R

88.15%，提高了3.67%；召回率达到94.65%，提升了2.31%；参数量为33.73 M，减少了2.78 M；计算量为89.65 G，

降低了14.62 G；证明该算法能有效提高棉花枯萎病的识别精度和效率，可对棉花病害防治提供一定的技术支撑。

关键词：YOLOv7；棉花；注意力机制；枯萎病；病害检测

中图分类号：TP391   文献标识码：A   doi：10.3969/j.issn.1673-2154.2025.02.0013

0引言精确率达到94.1%。张领先等[9-11]以YOLOv5作为基

础网络进行改进，通过使用BiFPN改进Neck结构、

棉花是我国的重要经济作物，在农产品种植中

添加CBAM注意力机制与改变检测层输入通道3种

占有重要位置，在棉花成长过程中，枯萎病菌侵

改进策略提升了模型对番茄病害的识别性能。史红

[1-2]

染棉田后随着年限的增加病害会愈严重。为了[12-13]

栩等利用深度卷积网络GoogLeNet Inception-V3

减少棉花病害造成的损失，基于计算机视觉技术的

模型，通过迁移学习训练获得了香蕉病害诊断模型

作物病害识别方法近几年受到专家学者的关注，而

对香蕉作物的7种常见病害进行诊断，提升了对香

基于深度学习的病害目标检测方法，也得到了更为