[发明专利]一种基于改进YOLOv7的自然树种识别方法

说明书

本发明公开了一种基于改进YOLOv7的自然树种识别方法，本发明属于林业树种类识别领域，包括：获取自然树种图像，所述自然树种图像包括：训练图像和测试图像；使用Mosaic‑8数据增强手段对所述训练图像进行数据增强，得到增强训练图像；构建YOLOv7网络，对YOLOv7网络结构进行改进，得到改进YOLOv7模型；其中改进YOLOv7模型包括骨干网络、检测头层网络、注意力机制模块、Rep和Conv，通过检测头层网络输出四层不同尺寸的特征图；基于训练图像训练改进YOLOv7模型，从而得到更好的效果；将测试集图像输入至训练好的改进YOLOv7模型，得到自然树种的识别结果。本发明能够对树木种类进行准确识别。

技术领域

本发明属于林业树种类识别领域，特别是涉及一种基于改进YOLOv7的自然树种识别方法。

背景技术

树木种类的智能识别是人工智能领域的一个重要的研究方向，它可以应用于植物保护，树木识别等林业领域。

近年人工智能发展快速，基于深度学习的算法在图像分类识别方面表现出巨大的优势，可以快速而有效地提取和分析图像中复杂深层次的特征，对于图像分类识别具有很好的效果。这些技术包括增加数据集原始数据量，增添图像转换在测试时可以生成更多的测试数据，或者是使用应用分辨率更高的图像的模型。但是现有技术中，智能识别方法前期处理繁杂，算法识别精度较低，无法对树木种类进行准确识别。

发明内容

本发明的目的是提供一种基于改进YOLOv7的自然树种识别方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于改进YOLOv7的自然树种识别方法，包括：

获取自然树种图像，所述自然树种图像包括：训练图像和测试图像；使用Mosaic-8数据增强手段对所述训练图像进行数据增强，得到增强训练图像；

构建YOLOv7网络，对所述YOLOv7网络进行结构改进，得到改进YOLOv7模型；其中所述改进YOLOv7模型包括骨干网络、检测头层网络、注意力机制模块、Rep和Conv，通过所述检测头层网络输出四层不同尺寸的特征图；

基于所述增强训练图像，训练所述改进YOLOv7模型，得到训练好的改进YOLOv7模型；将所述测试图像输入至训练好的改进YOLOv7模型，得到自然树种的识别结果。

优选地，对所述训练图像进行数据增强的过程包括：

选取若干张训练图像，对若干张训练图像进行随机裁剪、缩放、排列和拼接，得到增强训练图像。

优选地，对所述YOLOv7网络进行结构改进的过程包括：

将采样倍数增加至YOLOv7网络的特征金字塔结构中，对自然树种图像的小尺寸目标进行识别，得到新尺寸特征图，其中所述新尺寸特征图为位置信息。

优选地，所述改进YOLOv7模型中采用CIoU损失函数。

优选地，训练所述改进YOLOv7模型之前还包括：

对所述增强训练图像进行归一化预处理，得到预处理图像，通过划分所述预处理图像的长度和宽度，将预处理图像的特征尺度特定到预设区间。

优选地，训练所述改进YOLOv7模型的过程包括：

基于所述增强训练图像，训练所述改进YOLOv7模型，直至达到设定的学习迭代次数时完成训练，得到训练好的改进YOLOv7模型。

优选地，训练所述改进YOLOv7模型还包括：

基于所述CIoU损失函数，对锚点的长宽和位置进行回归，并预测锚点的类别，最终输出回归分类好的锚点。

优选地，通过所述注意力机制模块，得到每个特征通道的重要程度，基于所述重要程度，得到自然树种图像的局部信息。