基于改进YOLOv8算法的农田杂草检测研究.pdfVIP

摘要

作为农业大国，在地理环境相对贫瘠的主要粮食产地，农田中的杂草成为

了影响农作物生长的关键因素之一。对去除农田杂草技术进行充分的研究，需

要获取杂草在田中所占的比例以及杂草的种类等信息。本文通过使用YOLOv8

模型，采用深度学习算法，对农田杂草目标检测技术进行研究。通过采取合适

的控制措施，如土壤管理、机械除草、化学除草和生物除草，农民可以有效地

减少杂草对农作物的影响，提高农田的生产力和可持续发展能力。本文的主要

工作及成果如下：

(1)实验使用六种一阶段目标检测模型和三种二阶段目标检测模型在数据

集上进行检测对比，在相同的实验环境下，比较九个模型在自制的杂草数据集

上检测效果，对比结果选择出最优的目标检测模型YOLOv8。

(2)针对农田杂草数据集中杂草叶片形状大小差异较大的问题，对最优目

标检测模型的特征提取网络进行改进。通过引入高效的硬件感知神经网络设

计，本文得以设计出精度更高、速度更快的网络结构。这些网络结构被成功地

应用于YOLOv8目标检测框架中，显著提高了特征提取的准确率。

(3)针对部分杂草叶片上颜色与土地颜色相近从而导致重叠的情况，对最

优目标检测模型的损失函数进行改进，引入ECIoU边界回归损失函数，增大

准确样本的重要程度，降低异常样本对模型的影响。

最后将以上的改进点相结合，提出一种YOLOv8改进模型：RE-YOLOv8s

模型，将其应用到农田杂草数据集中，并通过消融实验验证每一个改进点的有

效性，结果均符合预期，mAP值较最优目标检测模型YOLOv8提升了1.1%，

FPS值较最优目标检测模型YOLOv8提升了2.19;以及与相似的数据集进行对

比试验，mAP值较tinyYOLOv3architecture目标检测模型提升了6.5%,FPS值

较tinyYOLOv3architecture目标检测模型提升了12.92。由此可以推出本文针

对农田杂草的识别研究具有较高的检测精度。

关键词：深度学习；杂草识别；目标检测；YOLOv8

ABSTRACT

Asanagriculturalcountry,intherelativelypoorgeographicalenvironmentof

themainfoodproducingarea,weedsinfarmlandhavebecomeoneofthekeyfactors

affectingthegrowthofcrops.Tofullystudythetechnologyofweedremovalin

farmland,itisnecessarytoobtaininformationabouttheproportionofweedsinthe

fieldandthespeciesofweeds.Inthispaper,byusingtheYOLOv8modelandthe

deeplearningalgorithm,thefarmlandweedtargetdetectiontechnologyisstudied.

Byadoptingappropriatecontrolmeasures,suchassoilmanagement,mechanical

weeding,chemicalweeding,andbiologicalweeding,farmerscaneffectivelyreduce

theimpactofweedsoncropsandimprovetheproductivityandsustainabilityoftheir

fields.Themainworkandresultsofthispaperareasfollows:

(1)Theexperimentusedsixone-stageobjectdetectionmodel