面向边缘计算的轻量化病虫害检测模型DGS-YOLOv7-Tiny：精准农业的智能解决方案

本研究针对传统目标检测模型在边缘计算环境中实时性不足的问题，提出基于YOLOv7-Tiny优化的DGS-YOLOv7-Tiny模型。通过引入全局注意力模块(GAM)增强小目标检测能力，采用新型融合卷积DGSConv降低参数量(4.43M)，结合SiLU激活函数和SIOU损失函数提升梯度稳定性，最终在番茄叶片病虫害数据集上实现95.53%精度、168FPS的实时检测性能，为智慧农业提供高效边缘计算解决方案。

　　

在智慧农业快速发展背景下，病虫害实时检测已成为保障作物健康的关键环节。然而传统目标检测模型如YOLO系列存在参数量大、计算复杂度高的问题，难以在资源受限的边缘设备上实现高效部署。尤其当面对番茄叶片上毫米级的病斑时，现有模型往往出现漏检或误检，农民仍需依赖经验判断，导致防治时机延误。更棘手的是，田间复杂光照条件和叶片重叠背景进一步增加了检测难度，现有系统在边缘端的推理速度普遍低于100FPS，无法满足实时监测需求。

长春工程学院计算机技术与工程学院的研究团队在《Scientific Reports》发表研究，创新性地提出DGS-YOLOv7-Tiny模型。该工作通过三大技术突破实现性能跃升：首先采用全局注意力模块(GAM)强化病斑的全局上下文感知，其独特的双全连接层结构（式3）使小目标检测精度提升2.6%；其次设计DGSConv融合卷积，整合深度可分离卷积(DSC)、Ghost模块和SE注意力机制，较标准卷积减少86.8%参数；最后优化训练策略，用SIOU损失函数（式10）替代CIOU，通过角度对齐损失（式9）提升病斑定位精度。这些创新使模型在保持96.42% mAP@_0.5的同时，推理速度达168FPS，较原YOLOv7-Tiny提升3%。

关键技术包括：1) 基于Roboflow平台的8040张增强番茄病叶图像数据集构建；2) 融合DSC与Ghost模块的DGSConv设计；3) 全局注意力机制引导的多尺度特征融合；4) SIOU损失函数的边界框回归优化。

【Global Attention Module】

通过压缩-激励机制（式1-3）实现通道注意力加权，实验显示该模块使Septoria叶斑病检测召回率提升至93.82%（图8），较基线模型提高0.37%。

【DGSConv卷积】

如图5所示的三阶段架构中，3×3深度卷积保留空间特征后，Ghost模块生成"伪特征"使参数量降至20,552（128→256通道），较传统卷积降低86.1%（表4）。

【SIOU损失函数】

引入角度对齐损失v_asp（式6）后，模型对黄化病毒病（TLYV）的检测精度提升2.72%，有效缓解叶片卷曲造成的漏检（图17h）。

研究结论表明，该模型在保持YOLOv7-Tiny 96.48% mAP@_0.5的基础上，将参数量压缩26.5%（表5），特别适用于树莓派等边缘设备部署。讨论部分强调，DGSConv的"特征生成-压缩-重标定"机制（图5）为轻量化设计提供新思路，而GAM模块对晚疫病（TLLB）病征的全局建模能力（图17e）验证了其在复杂背景下的优越性。这项工作不仅将单帧检测耗时降至5.95ms（表6），更开创性地实现检测精度与能耗的帕累托最优，为田间实时病虫害预警系统奠定技术基础。