基于改进YOLOv9的玉米幼苗轻量级杂草检测模型Weed-YOLO

摘要

针对自然环境下玉米幼苗杂草识别模型存在的识别精度与网络结构复杂度不平衡的问题，提出一种基于改进YOLOv9的玉米幼苗杂草轻量化识别模型Weed-YOLO.首先，引入FasterNet模块作为YOLOv9模型的主干网络，以有效降低模型的复杂度；其次，使用双向特征金字塔网络(bidirectional feature pyramid network, BiFPN)代替原有的路径聚合网络(path aggregation network, PAN)和特征金字塔网络模块(feature pyramid network, FPN),以融合多尺度的杂草特征，弥补轻量化主干网络导致的识别精度下降问题，并进一步降低模型复杂度；最后，采用Inner＿CIoU损失函数计算边界框损失，进一步提高模型的收敛速度和整体性能.实验结果表明，Weed-YOLO模型在玉米幼苗杂草识别上准确率、召回率、平均精度分别为94.1%,95.9%,97.6%,参数量、计算量、模型大小分别下降了39.15%,44.79%,39.18%,能精准识别杂草和作物，并降低模型资源占用.

关键词

杂草 / 轻量化 / YOLOv9模型 / FasterNet模块 / 双向特征金字塔网络 / Inner＿CIoU损失函数 / 精准农业