1.一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，包括：
2.根據(jù)權(quán)利要求1所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的第一步中的小目標(biāo)害蟲圖片數(shù)據(jù)集含有284張圖片，其中包括5807個(gè)粉虱，1619個(gè)短小長頸盲蝽和688個(gè)煙盲蝽。
3.根據(jù)權(quán)利要求1所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的第二步中的數(shù)據(jù)集按照8:1:1的比例隨機(jī)拆分為訓(xùn)練集、驗(yàn)證集和測試集，其中數(shù)據(jù)集的拆分包括：將采集的數(shù)據(jù)集進(jìn)行整理；使用標(biāo)記軟件labelimg對收集到的圖片中的各種害蟲圖像樣本進(jìn)行標(biāo)注；將得到的害蟲標(biāo)注信息保存為xml文件，其中，該xml文件包括目標(biāo)物體的類別和目標(biāo)框的坐標(biāo)信息；將xml文件轉(zhuǎn)化為便于yolov7使用的txt文件形式。
4.根據(jù)權(quán)利要求1所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的第三步中改進(jìn)的yolov7模型包括主干網(wǎng)絡(luò)、上下文信息提取塊、頸部網(wǎng)絡(luò)、檢測頭，主干網(wǎng)絡(luò)包括cbs模塊、elan模塊、mp模塊，上下文信息提取塊包括cbs模塊、flatten操作、位置編碼操作、transformer?encoder模塊、unflatten操作，頸部網(wǎng)絡(luò)包括cbs模塊、cat操作、elan-w模塊、upsample模塊，檢測頭包括detect模塊，其中，改進(jìn)的yolov7模型中的主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測頭與原始的yolov7模型保持一致。
5.根據(jù)權(quán)利要求4所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的上下文信息提取塊對特征圖的處理過程包括：
6.根據(jù)權(quán)利要求所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的第四步中改進(jìn)yolov7模型的損失函數(shù)分為三個(gè)部分：邊界框回歸損失、置信度損失和類別損失；其中，改進(jìn)的yolov7模型的損失函數(shù)中的置信度損失和類別損失與原始的yolov7保持一致；而在邊界框回歸損失部分，使用siou損失函數(shù)替換原始yolov7模型所使用的ciou損失函數(shù)；siou損失函數(shù)中，矩形b代表預(yù)測框，矩形bgt代表真實(shí)框，σ是矩形b和矩形bgt中點(diǎn)的連線，ch和cw為以σ為對角線的矩形的高和寬，α和β分別為矩形的對角線和寬、高之間的夾角，w和h分別為矩形b和矩形bgt所外接的最小矩形的寬和高；其由以下幾個(gè)部分組成：
7.根據(jù)權(quán)利要求1所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的第五步中anchors稱為錨框，是一組預(yù)定義的邊界框，具有不同的尺寸和長寬比，用于表示圖像中可能存在的對象；這些錨框在圖像中均勻分布，每個(gè)網(wǎng)格單元都包含多個(gè)錨框，表示在該位置可能出現(xiàn)的不同大小和形狀的對象；通過k-means聚類算法，能夠根據(jù)數(shù)據(jù)集中真實(shí)的對象真實(shí)邊界框，得到一組更適合的錨框；原始的yolov7模型設(shè)置9個(gè)錨框；
8.根據(jù)權(quán)利要求1所述的一種基于yolov7算法的小目標(biāo)害蟲檢測方法，其特征是，所述的第六步模型的訓(xùn)練過程中，使用sgd作為優(yōu)化器，動量設(shè)為0.937，權(quán)重衰減設(shè)為5×10-4；整個(gè)訓(xùn)練過程共500個(gè)epoch，批量大小設(shè)置為2；此外，學(xué)習(xí)率設(shè)置為0.0025。輸入圖像尺寸設(shè)置為1280×1280。