基于改进YOLOv8s的轻量化玉米苗期杂草识别模型

摘要

【目的】建立改进的轻量化玉米苗期杂草识别模型,为玉米苗期杂草的快速精准识别和激光除草等提供技术支持。【方法】提出了一种基于YOLOv8s网络框架改进的轻量化玉米苗期杂草识别模型YOLOv8s-GEF,将轻量级网络EfficientViT引入YOLOv8主干网络,以降低模型参数量;在颈部网络中引入全局注意力机制(GAM),降低玉米苗期图片信息弥散、放大全局交互,从而提高深度神经网络对玉米杂草识别的精准度;运用基于动态非单调聚焦机制的边界框损失(WIoU)替代CIoU损失函数,减少玉米苗期图片数据集中低质量示例对识别结果的影响;采用结合跨阶段部分卷积的空间金字塔池化(SPPCSPC)替换YOLOv8中的SPPF,提高模型对玉米、杂草及土壤背景中对象的识别精度。【结果】改进后的YOLOv8s-GEF模型对玉米苗期杂草识别的平均精度值(mAP@0.5)达到了78%,相较于原YOLOv8s模型提升了3.3个百分点,计算量降低了52.5%。与经典模型YOLOX、YOLOv5s、YOLOv6s、YOLOv7和YOLOv8s相比,YOLOv8s-GEF模型的参数量分别降低了36.7%,18.6%,66.9%,84.6%和48.7%,平均精度值分别提高了8.6,4.9,5.4,4.7和3.3个百分点。【结论】YOLOv8s-GEF模型在参数量控制、检测速度以及检测精度方面较其他经典目标检测算法有显著提升,可实现田间玉米苗期植株与杂草的实时精准识别。

关键词

玉米苗期 / 杂草识别 / YOLOv8 / 模型优化