基于频域数据增强与轻量化YOLO v7模型的成熟期香梨目标检测方法

为实现香梨自动化采摘，本文以YOLO v7-S为基础模型，针对果园中香梨果实、果叶和枝干之间相互遮挡，不易精准检测的问题，设计了一种轻量化香梨目标检测M-YOLO v7-SCSN+F模型。该模型采用MobileNetv3作为骨干特征提取网络，引入协同注意力机制(Coordinate attention，CA)模块，将YOLO v7-S中的损失函数CIoU替换为SIoU，并联合Normalized Wasserstein distance (NWD)小目标检测机制，以增强网络特征表达能力和检测精度。基于傅里叶变换（Fourier transform，FT）的数据增强方法，通过分析图像频域信息和重建图像振幅分量生成新的图像数据，从而提高模型泛化能力。实验结果表明，改进的M-YOLO v7-SCSN+F模型在验证集上的平均精度均值（mAP）、精确率和召回率分别达到97.23%、97.63%和93.66%，检测速度为69.39f/s，与Faster R-CNN、SSD、YOLO v3、YOLO v4、YOLO v5s、YOLO v7-S、YOLO v8n、RT-DETR-R50模型在验证集上进行性能比较，其平均精度均值（mAP)分别提高14.50、26.58、3.88、2.40、1.58、0.16、0.07、0.86个百分点。此外，改进的M-YOLO v7-SCSN+F模型内存占用量与YOLO v8n和RT-DETR-R50检测模型对比减少16.47、13.30MB。本文提出的检测模型对成熟期香梨具有很好的目标检测效果，为背景颜色相近小目标检测提供参考，可为香梨自动化采摘提供有效的技术支持。

Mature Stage Pear Detection Method Based on Frequency Domain Data Augmentation and Lightweight YOLO v7 Model