基于YOLO-RW的轻量化稻田杂草检测算法

摘要

[目的]稻田杂草广泛分布对水稻生长及产量造成威胁，针对现有检测方法在应对稻田复杂背景、小尺度目标及实时性要求时表现不足的问题，本文提出一种轻量化稻田杂草检测算法YOLO-RW。[方法]引入GSConv模块代替标准卷积，大幅降低模型参数量和计算复杂度，实现模型轻量化；设计轻量化区域注意力模块，通过增强目标区域特征表达并抑制背景噪声，提升复杂场景中的检测鲁棒性；采用Dysample算子优化上采样过程，提高小尺度目标的检测性能。[结果]试验结果显示，YOLO-RW在稻田杂草数据集的mAP达到94.1%,检测速度达到128.9 f·s^-1,参数量和浮点运算量分别降低至27.2 M和79.6 G;在嵌入式平台NVIDIA Jetson Xavier NX上检测速度达到45.3 f·s^-1,显著优于主流算法Faster R-CNN、RetinaNet和YOLO系列其他方法。[结论]YOLO-RW在检测精度、实时性及模型轻量化方面展现了卓越性能，可以为精准农业提供一种高效解决方案。

关键词

稻田 / 杂草检测 / YOLO / 注意力机制 / 模型轻量化 / 嵌入式设备