FE-YOLO:基于功能增强的YOLOv7进行微藻识别和检测的高效深度学习模型
Gege Ding1, Yuhang Shi2, Zhenquan Liu2
1China Waterborne Transport Research Institute, Beijing 100088, China.
Biomimetics (Basel, Switzerland)
|January 24, 2025
概括
一个新的功能增强的YOLOv7 (FE-YOLO) 模型改善了微藻的识别和检测. 这种先进的方法增强了特征提取,并使用稳定的损失函数,优于微藻资源开发的传统技术.
科学领域:
- 海洋生物学 海洋生物学
- 生物技术是生物技术.
- 计算机视觉 计算机视觉
背景情况:
- 准确的微藻识别和检测对于利用微藻资源至关重要.
- 传统方法在效率和准确性方面面临重大限制.
- 缺乏全面的微藻细胞数据集阻碍了研究和应用.
研究的目的:
- 开发一种先进的深度学习模型,用于微藻细胞识别和检测.
- 增强现有物体检测模型的特征提取能力和融合稳定性.
- 为培训和评估微藻检测算法创建一个有价值的数据集.
主要方法:
- 将坐标注意力组混合卷积 (CAGS) 模块集成到YOLOv7 Neck中,以改善特征提取.
- 实施SCYLLA-IoU (SIoU) 损失函数,以确保稳定的模型趋同.
- 构建一个新的微藻数据集,包括7种物种的6300张图像.
主要成果:
- 功能增强的YOLOv7 (FE-YOLO) 模型在标准YOLOv7.7上显示了显著的改进.
- 在平均精度上实现了9.6%的增长,在回忆中达到1.9%,在mAP@50上达到9.7%,在mAP@95.9上达到6.9%.
- 每张图像的平均检测时间缩短了9.2%,至0.0455秒.
结论:
- 拟议的FE-YOLO模型为微藻识别和检测提供了卓越的解决方案.
- 与传统方法相比,增强型模型提供了更高的准确性和效率.
- 这项工作为推进微藻研究和应用提供了有价值的数据集和强大的模型.
