基于WAAP-YOLO的玉米伴生杂草检测模型

摘要

为解决玉米伴生杂草存在样本形态各异、密集遮挡、背景复杂、尺度不一等问题，提出了目标检测模型WAAP-YOLO。首先，改进主干部分，将部分卷积替换为小波池化卷积，有效避免了混叠伪影现象；其次，引入聚合注意力机制构建C2f-AA模块，提升了模型在复杂背景下对杂草特征的提取能力；最后，以ASF-P2-Net替换原始neck网络，通过尺度序列融合模块引入P2检测头，降低模型复杂度，显著提升小目标检测效果。结果表明，WAAP-YOLO检测算法的mAP@0.5指标、mAP@0.5∶0.95指标、F1、参数量分别为97.2%、85.8%、94.0%、2.1×10～6,优于YOLOv5s、YOLOv8n、YOLOv10n等常见目标检测模型。所提模型可显著提升玉米田间杂草的精准识别能力，可为促进种植业的智能化和可持续发展提供参考。

关键词

计算机神经网络 / 杂草识别 / 小波池化 / 注意力机制 / 多尺度融合