为解决自然环境中番茄叶片病虫害检测场景复杂、检测精度较低，计算复杂度高等问题，提出一种SLPYOLOv7-tiny的深度学习算法。首先，将主干特征提取网络中部分3×3的卷积Conv2D(2D convolution)改为分布偏移卷积DSConv2D(2D Depthwise Separable Convolution)，以减少网络的计算量，并且使计算速度更快，占用内存更少；其次，将无参数注意力机制(parameter-free attention module, SimAM)融合到骨干特征提取网络中，加强模型对病虫害特征的有效提取能力和特征整合能力；最后，将原始YOLOv7-tiny的CIOU损失函数，更替为Focal-EIOU损失函数，加快模型收敛并降低损失值。试验结果表明，SLP-YOLOv7-tiny模型整体识别精准度、召回率、平均精度均值mAP0.5(IOU阈值为0.5时的平均精度)、mAP0.5～0.95(IOU阈值从0.5到0.95之间的所有值进行平均计算的平均精度)分别为95.9%、94.6%、98.0%、91.4%，与改进前YOLOv7-tiny相比，分别提升14.7、29.2、20.2、30个百分点，同时，计算量降低了62.6%，检测速度提升了13.2%。与YOLOv5n、YOLOv5s、YOLOv5m、YOLOv7、YOLOv7-tiny、FasterRCNN、SSD目标检测模型相比，mAP0.5分别提升了2.0、1.6、2.0、2.2、20.2、6.1和5.3个百分点，而计算量大小仅为YOLOv5s、 YOLOv5m、 YOLOv7、 Faster-RCNN、 SSD的31.5%、 10.6%、 4.9%、 4.3%、 3.8%。结果表明SLPYOLOv7-tiny可以准确快速地实现番茄叶片病虫害的检测，且模型较小，可为番茄叶片病虫害的快速精准检测的发展提供一定的技术支持。
