基于IMBS-YOLOv7的轻量化双孢蘑菇品质分级检测方法OA

[目的]为提高双孢蘑菇分级检测精度并便于模型部署到移动端,提出一种基于YOLOv7的轻量化双孢蘑菇分级检测模型。[方法]首先,采用MobileNetV2作为主干网络替换YOLOv7模型的特征提取网络,通过深度可分离卷积有效减少模型参数量并提升推理速度;其次,引入BiFormer注意力机制,增强模型对双孢蘑菇表面纹理、形态缺陷等细微特征的提取能力;最后,采用SIoU边界框回归损失函数代替CIoU损失函数,显著提升边界框回归精度,增强模型对双孢蘑菇表面轻微缺陷的识别能力。改进后的模型命名为MBS-YOLOv7。[结果]MBS-YOLOv7模型在双孢蘑菇测试集上的平均精度均值(mAP)达到94.1%,相比原始YOLOv7模型提升1.2%,同时模型参数量减少32.8%,实现精度与速度的平衡。在此基础上,为进一步实现模型的轻量化,提出一种融合通道剪枝与知识蒸馏的轻量化模型IMBS-YOLOv7,通过稀疏训练与通道剪枝策略,筛选出最优剪枝率(0.5),并结合知识蒸馏技术,在温度参数T=10时实现软标签信息的最佳传递,有效恢复因剪枝损失的模型精度。最终,IMBS-YOLOv7在保持94.1%mAP的同时,检测速度达121 f·s^(-1),模型体积压缩至12 MB,具备良好的边缘部署能力。[结论]与Faster R-CNN、SSD、YOLOv3、YOLOv5等主流检测算法相比,IMBS-YOLOv7在双孢蘑菇数据集上综合性能最优,满足实时处理要求,为双孢蘑菇在线分级检测提供可靠的技术支持。