基于视觉注意力机制的田间玉米杂草检测方法研究.pdfVIP

摘要

摘要

玉米苗期常受伴生杂草威胁，特别是其与玉米苗争夺土壤养分，导致玉米缺少足够

的营养，造成减量减产。化杂草防治需以高效精准的杂草识别技术为基础，因此，研究植

保机械精准除草技术，具有解决人力浪费和降低耕地环境危害的现实意义。本文针对东

北黑土区农田，以2~5叶期的玉米幼苗为研究对象，研究了玉米幼苗和杂草的识别定位

问题。由于当前基于深度学习的网络模型参数较多，导致其在施药机械上的实时性差，

尤其是在相机视野覆盖田间多行作物场景下，大部分网络不适合快速准确的检测出杂草，

较难满足施药机械在田间作业时实际的除草作业需求。而且，田间多行环境下因单个图

像数据可同时覆盖多行作物，检测目标数量密集，识别范围更大，因此本文提出了一种

改进的GBT-YOLOv8模型的植保机械玉米杂草目标检测方法，并进行了田间试验。主要

研究工作总结如下：

（1）针对自走式植保机器人在田间的作业识别场景，建立了2~5叶期两种尺度的玉

米田间杂草数据集，用于深度学习模型的训练和试验。于不同的天气条件下采集了用于

模型训练且包含单目标和多目标的玉米幼苗和杂草数据集，并对数据集进行了数据增强

操作。该数据集使用双设备采集，地面采用CanoEOSM50数码相机采集了俯视和45°

斜视两个方向的田间玉米杂草图像；在晴天和阴天两种环境下采集玉米幼苗和杂草图像。

空中采用大疆Phantom3无人机采集低空杂草数据集，以提高自走式施药机器人在田间

环境下的检测效果。同时，对采集到的图像、视频进行筛选、预处理和数据标注等工作，

为模型后续研究提供数据支撑。

（2）基于建立的杂草数据集，研究了一种基于视觉注意力机制的实时玉米杂草检测

模型，围绕YOLOv8模型开展适用于田间大视野范围的玉米幼苗和杂草检测研究工作，

为解决原有模型不适合多行作物模式下的杂草检测问题，针对YOLOv8n基线模型进行

优化改进，首先将YOLOv8n模型的骨干网络C2f模块替换为轻量级卷积神经网络

GhostNet，降低了模型的参数量和体积。然后将原始模型采用的特征融合层更改为BiFPN

加权双向特征金字塔结构，提高模型对有效信息的特征提取能力；在特征融合层后引入

了轻量级注意力机制TripletAttention，提高模型对小目标检测的准确率。同时对比不同

损失函数将模型的损失函数替换为Wise-IoUv3，使得模型的实时检测速度进一步提高的

I

吉林大学硕士学位论文

同时增加模型对目标的定位准确性。最后对优化过程中应用相应模块的模型进行消融试

验，对比分析了YOLOv5、YOLOv6、YOLOv8、FasterR-CNN、YOLOv11n和改进模型

的检测性能，与原始模型相比，改进模型参数量降低了37.9%，检测速度提高了32.1%，

平均精度均值（mAP@0.5）提高了0.6%，精确率（Precision）提高了1.8%，召回率（Recall）

提高了1.4%。试验证明了改进模型对于田间多行玉米视野范围下检测玉米幼苗和杂草的

有效性，为激光除草机器人和对靶施药机械的实时检测提供了技术支持。

（3）对所研究模型进行边缘计算设备上的部署并设计了嵌入式上位机植保机器人可

视化实时检测系统。选择JestonNano边缘计算设备作为部署平台，使用TensorRT作为

推理引擎，实现了在移动硬件平台上的部署推理。为了提升检测过程的可视化效果，使

用Pyside6用户界面开发库设计了可视化检测系统，针对智能化定位杂草的需求，在可视

化检测系统中集成了目标跟踪算法，使检测模型更加便捷的转化到玉米田间管理应用中。

（4）针对改进后模型的泛化能力，在无人机尺度的数据集上进行了测试试验和田间

试验，结果表明，对于玉米苗和多种杂草进行检测，模型在无人机尺度上的检测精确率

平均值达到了94.60%，平均精度均值达到了97.2%，说明模型依然适用于无人机尺度对

杂草的检测。搭建了施药系统并进行田间试验，试验结果表明，当施药平台运行速度为