中文引用格式： 張超，劉賓，李坤. 基于改進(jìn)YOLOv8的輕量化雜草識(shí)別算法研究[J]. 電子技術(shù)應(yīng)用，2025，51(1)：80-85.
英文引用格式： Zhang Chao，Liu Bin，Li Kun. Research on lightweight weed recognition algorithm based on improved YOLOv8[J]. Application of Electronic Technique，2025，51(1)：80-85.
引言
在農(nóng)業(yè)生產(chǎn)中，雜草的存在不僅會(huì)影響農(nóng)作物的正常生長(zhǎng)，還會(huì)減少農(nóng)田的產(chǎn)量和降低土壤質(zhì)量，增加農(nóng)民的勞動(dòng)成本和經(jīng)濟(jì)損失。因此，及時(shí)有效地識(shí)別和管理雜草至關(guān)重要。隨著科技的不斷進(jìn)步，對(duì)雜草識(shí)別的研究逐漸成為焦點(diǎn)，通過(guò)先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)和機(jī)器學(xué)習(xí)算法[1]，可以自動(dòng)識(shí)別和分類(lèi)雜草，為農(nóng)民提供準(zhǔn)確的雜草管理方案，有效減少農(nóng)藥的使用，保護(hù)生態(tài)環(huán)境，提高農(nóng)田的生產(chǎn)力和經(jīng)濟(jì)效益[2-3]。
基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可以分為兩類(lèi)：雙階段目標(biāo)檢測(cè)算法和單階段目標(biāo)檢測(cè)算法[4]。單階段目標(biāo)檢測(cè)算法因其更快的識(shí)別速度而被廣泛應(yīng)用于實(shí)時(shí)檢測(cè)場(chǎng)景[5]。在雜草識(shí)別領(lǐng)域，許多學(xué)者已經(jīng)成功地利用單階段檢測(cè)算法取得了顯著的成果[6]。袁濤等對(duì)YOLOv4算法進(jìn)行改進(jìn)，采用深度可分離卷積和逆殘差組件替代標(biāo)準(zhǔn)卷積和殘差組件，將K-means算法得到的邊界框尺寸應(yīng)用到各尺度網(wǎng)絡(luò)層，并在PANet的自適應(yīng)特征池輸出后添加GAN噪聲層，提高了檢測(cè)速度與檢測(cè)精度[7]；陳承源等使用輕量級(jí)網(wǎng)絡(luò)GhostNet替換CSPDarknet以降低參數(shù)計(jì)算量，引入CA注意力機(jī)制以增強(qiáng)位置信息提取能力，并在Neck層引入GSconv以提高檢測(cè)精度[8]；冀汶莉等提出了基于YOLOv5的輕量化雜草識(shí)別方法，該方法通過(guò)使用MSRCR算法對(duì)圖像進(jìn)行預(yù)處理，然后采用PP-LCNet替換特征提取網(wǎng)絡(luò)，采用Ghost卷積模塊輕量化特征融合網(wǎng)絡(luò)，并添加NAM模塊增強(qiáng)特征提取能力，最后優(yōu)化主干網(wǎng)絡(luò)的激活函數(shù)，以提高模型性能和降低計(jì)算量[9]。
為了提高目標(biāo)的特征提取能力、增加檢測(cè)精度[10-11]，并對(duì)模型進(jìn)行輕量化，本文對(duì)YOLOv8網(wǎng)絡(luò)進(jìn)行了改進(jìn)[12]。首先，采用改進(jìn)后的PP-LCNet替代了原有的主干網(wǎng)絡(luò)，同時(shí)引入了注意力機(jī)制SENetv2來(lái)增強(qiáng)主干特征提取網(wǎng)絡(luò)的性能。其次，將頸部網(wǎng)絡(luò)更換為Effcient-RepGFPN，并對(duì)其進(jìn)行改進(jìn)，將其中上采樣前的CSPStage模塊替換為RFAConv，以利用不同尺度的特征來(lái)提高目標(biāo)檢測(cè)的性能。最后，采用了MPDIoU損失函數(shù)來(lái)增強(qiáng)模型的收斂性和穩(wěn)定性。
本文詳細(xì)內(nèi)容請(qǐng)下載：
http://www.xxav2194.com/resource/share/2000006287
作者信息：
張超，劉賓，李坤
（中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051）
