《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 嵌入式技术 > 设计应用 > 基于改进YOLOv8的轻量化杂草识别算法研究
基于改进YOLOv8的轻量化杂草识别算法研究
电子技术应用
张超，刘宾，李坤
中北大学 信息与通信工程学院
摘要： 针对目前田间杂草识别模型精度低，以及参数多难以满足在计算资源有限的移动设备和嵌入式设备中部署的问题，提出一种基于YOLOv8的轻量化田间杂草识别模型。该模型使用改进后的PP-LCNet替代原有主干网络，保证精度的前提下减少模型的计算量；其次引入Effcient-RepGFPN来作为颈部网络，并将上采样前的两个CSPStage模块使用RFAConv来替代，利用不同尺度的特征来提高目标检测的性能；最后，更换MPDIoU损失函数，增强了模型的收敛性和稳定性。实验结果表明，改进模型与原模型相比准确率提升了2.1%，召回率提升了2.8%，mAP值提升了0.2%，同时模型的大小与计算量分别减少为原始模型的68.2%和62.6%，体现了改进算法的有效性。
中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245324
中文引用格式： 張超，劉賓，李坤. 基于改進(jìn)YOLOv8的輕量化雜草識(shí)別算法研究[J]. 電子技術(shù)應(yīng)用，2025，51(1)：80-85.
英文引用格式： Zhang Chao，Liu Bin，Li Kun. Research on lightweight weed recognition algorithm based on improved YOLOv8[J]. Application of Electronic Technique，2025，51(1)：80-85.
Research on lightweight weed recognition algorithm based on improved YOLOv8
Zhang Chao，Liu Bin，Li Kun
College of Information and Communication Engineering， North University of China
Abstract： Aiming at the problems of low accuracy of current field weed identification models and the difficulty of deploying multiple parameters in mobile devices and embedded devices with limited computing resources, a lightweight field weed identification model based on YOLOv8 is proposed in this paper. The model uses improved PP-LCNet to replace the original backbone network, and reduces the calculation amount of the model on the premise of ensuring the accuracy. Then, Effcient-RepGFPN is introduced as the neck network, and RFAConv is used to replace the two CSPStage modules before up-sampling. Different scale features are used to improve the performance of target detection. Finally, the MPDIoU loss function is replaced to enhance the convergence and stability of the model. Experimental results show that compared with the original model, the accuracy rate of the improved model increases by 2.1%, the recall rate increases by 2.8%, and the mAP value increases by 0.2%. Meanwhile, the size and computation amount of the model are reduced to 68.2% and 62.6% of the original model, respectively, reflecting the effectiveness of the improved algorithm in this paper.
Key words : weed identification；PP-LCNet；Effcient-RepGFPN；RFAConv；MPDIoU

引言

在農(nóng)業(yè)生產(chǎn)中，雜草的存在不僅會(huì)影響農(nóng)作物的正常生長(zhǎng)，還會(huì)減少農(nóng)田的產(chǎn)量和降低土壤質(zhì)量，增加農(nóng)民的勞動(dòng)成本和經(jīng)濟(jì)損失。因此，及時(shí)有效地識(shí)別和管理雜草至關(guān)重要。隨著科技的不斷進(jìn)步，對(duì)雜草識(shí)別的研究逐漸成為焦點(diǎn)，通過(guò)先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)和機(jī)器學(xué)習(xí)算法[1]，可以自動(dòng)識(shí)別和分類(lèi)雜草，為農(nóng)民提供準(zhǔn)確的雜草管理方案，有效減少農(nóng)藥的使用，保護(hù)生態(tài)環(huán)境，提高農(nóng)田的生產(chǎn)力和經(jīng)濟(jì)效益[2-3]。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可以分為兩類(lèi)：雙階段目標(biāo)檢測(cè)算法和單階段目標(biāo)檢測(cè)算法[4]。單階段目標(biāo)檢測(cè)算法因其更快的識(shí)別速度而被廣泛應(yīng)用于實(shí)時(shí)檢測(cè)場(chǎng)景[5]。在雜草識(shí)別領(lǐng)域，許多學(xué)者已經(jīng)成功地利用單階段檢測(cè)算法取得了顯著的成果[6]。袁濤等對(duì)YOLOv4算法進(jìn)行改進(jìn)，采用深度可分離卷積和逆殘差組件替代標(biāo)準(zhǔn)卷積和殘差組件，將K-means算法得到的邊界框尺寸應(yīng)用到各尺度網(wǎng)絡(luò)層，并在PANet的自適應(yīng)特征池輸出后添加GAN噪聲層，提高了檢測(cè)速度與檢測(cè)精度[7]；陳承源等使用輕量級(jí)網(wǎng)絡(luò)GhostNet替換CSPDarknet以降低參數(shù)計(jì)算量，引入CA注意力機(jī)制以增強(qiáng)位置信息提取能力，并在Neck層引入GSconv以提高檢測(cè)精度[8]；冀汶莉等提出了基于YOLOv5的輕量化雜草識(shí)別方法，該方法通過(guò)使用MSRCR算法對(duì)圖像進(jìn)行預(yù)處理，然后采用PP-LCNet替換特征提取網(wǎng)絡(luò)，采用Ghost卷積模塊輕量化特征融合網(wǎng)絡(luò)，并添加NAM模塊增強(qiáng)特征提取能力，最后優(yōu)化主干網(wǎng)絡(luò)的激活函數(shù)，以提高模型性能和降低計(jì)算量[9]。

為了提高目標(biāo)的特征提取能力、增加檢測(cè)精度[10-11]，并對(duì)模型進(jìn)行輕量化，本文對(duì)YOLOv8網(wǎng)絡(luò)進(jìn)行了改進(jìn)[12]。首先，采用改進(jìn)后的PP-LCNet替代了原有的主干網(wǎng)絡(luò)，同時(shí)引入了注意力機(jī)制SENetv2來(lái)增強(qiáng)主干特征提取網(wǎng)絡(luò)的性能。其次，將頸部網(wǎng)絡(luò)更換為Effcient-RepGFPN，并對(duì)其進(jìn)行改進(jìn)，將其中上采樣前的CSPStage模塊替換為RFAConv，以利用不同尺度的特征來(lái)提高目標(biāo)檢測(cè)的性能。最后，采用了MPDIoU損失函數(shù)來(lái)增強(qiáng)模型的收斂性和穩(wěn)定性。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.ihrv.cn/resource/share/2000006287


作者信息：

張超，劉賓，李坤

（中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容