基于改进YOLOv5s的玉米田间杂草检测方法

摘要

针对玉米田间环境下幼苗与杂草检测实时性不足、识别模型结构复杂、识别精度欠佳及移动端部署困难等问题，提出一种基于改进YOLOv5s的玉米田间杂草检测方法。通过嵌入轻量化的GhostNetV3模块减少模型的计算量和参数量，提升运行速率以适配移动端部署要求；在主干特征提取网络中引入CA(Coordinate attention)注意力机制，通过空间维度特征强化提升有效特征表达能力，在强化特征提取能力的同时，抑制无关信息干扰，进而提升模型的检测精度；引入高效交并比损失函数EIoU(Efficient intersection over union)替代模型传统的GIoU(Generalized intersection over union)，通过改进边界框回归策略提升目标定位精度、收敛效率和回归精度；采用数据增强技术拓展训练样本的多样性，有效解决样本数据不足和复杂背景干扰问题，进一步提升模型的鲁棒性。试验结果表明，该方法在玉米田杂草检测任务中性能显著提升，相比基准模型，精确率、召回率和平均精度分别提高3.7%、7.7%和3.4%，达到95.9%、85.8%、88.6%，浮点运算量、参数量和模型大小分别减少了54.3%、53.9%、50%，在保证检测精度的前提下实现了模型的轻量化与高效性。

关键词

杂草检测 / 轻量化 / 注意力机制 / 损失函数 / 图像识别