基于YOLOv7-CBAM与DeepSORT像素网格分析的苹果园实时杂草定位及行内密度估计算法研究

本文提出一种集成YOLOv7分割模型与卷积注意力模块（CBAM）的改进算法，结合DeepSORT多目标追踪技术，通过像素网格分析实现苹果园复杂环境下杂草的实时精准定位（mAP@0.5达84.9%）与行内密度估计，为精准除草决策提供关键技术支撑。

　　

Highlight

模型训练结果

YOLOv7_seg-CBAM网络模型经过200个训练周期（共8,771次迭代），每个周期包含49次迭代，每次迭代处理64张图像。图8展示了模型在定位和分割任务中的性能评估指标，包括精确率、召回率、F1分数以及mAP@0.5。训练结果表明，该网络能够快速收敛，这通过精确率、召回率和mAP@0.5在训练过程中的显著提升得到印证。

YOLOv7_seg-CBAM网络模型性能

YOLOv7_seg-CBAM模型在苹果园杂草检测的定位和分割任务中均表现出强劲性能。经过200个训练周期（8,771次迭代），模型的分割任务指标达到：精确率0.815、召回率0.851、F1分数0.833、mAP@0.5为0.849；定位任务指标为：精确率0.808、召回率0.844、F1分数0.826、mAP@0.5为0.836。模型在前100个周期内快速收敛，凸显了其高效学习复杂特征的能力。

结论

本研究开发了一种基于先进计算机视觉技术的苹果园杂草综合治理方案。我们提出的YOLOv7_seg-CBAM模型，通过融入CBAM注意力机制增强了YOLOv7_Seg架构，优化了特征提取并提升了检测精度。我们的模型在杂草定位和分割任务中均展现出卓越性能，分割任务的mAP@0.5达到0.849，定位任务的mAP@0.5达到0.836。