基于CSM-YOLO的大豆玉米复合种植模式下的杂草识别方法

摘要

针对西南地区多作物套种场景中杂草多样、作物-杂草形态相似等挑战，提出基于YOLOv8n-seg改进的CSM-YOLO模型。通过CA注意力机制增强几何特征，SCConv卷积抑制背景噪声和Matrix NMS加速推理优化模型，构建“作物-环境-杂草”耦合图像数据集进行验证。结果表明：杂草识别精度较基线模型提升0.1%～1.3%,推理速度达197.36 FPS。模型精确率、mAP@0.5、召回率分别为92.9%、94.0%、90.7%,均高于主流模型。可视化效果优于主流模型，尤其在杂草小目标检测任务中表现最优，热力图显示对作物与杂草区域具有高度选择性关注。可为大豆玉米间套种植的杂草识别提供高效的技术支持。

关键词

杂草识别 / 大豆玉米复合种植 / 实例分割 / 改进YOLOv8n-seg / 深度学习