基于改进YOLO v8n的轻量化玉米幼苗及杂草检测方法OA

对玉米苗期田间的作物及伴生杂草进行高效检测,能促进智能化农田除草作业并保障玉米稳产增产。针对当前YOLO v8算法在玉米苗期阶段对伴生杂草检测精度较低、内存占用量大、计算复杂度高的问题,提出一种基于改进YOLO v8n算法的轻量化检测模型CGS-YOLO。在训练策略层面,采用数据增强技术,有效提升模型的鲁棒性和泛化能力。在网络结构层面,首先将主干网络和颈部结构的C2f模块分别替换为CSPPC(CSP-PartialConv)轻量化卷积网络和CG(context guided)上下文引导模块,增强模型对局部及全局特征信息的感知能力,并减少冗余的参数计算量;其次引入SPDConv空间深度可分离卷积,通过替代传统步长卷积和池化层大大降低模型的计算复杂度,显著提升对密集、遮挡目标的检测能力;最后采用Focal-CIoU损失函数优化边界框回归性能,降低检测损失,确保模型收敛至全局最优。通过自建数据集进行试验,结果表明,CGS-YOLO模型平均精度均值达96.2%,模型内存占用量、浮点运算次数较初始模型分别减少了39.7%、35.8%,在保持高检测精度的同时满足轻量化要求,可有效支撑玉米苗期作物及杂草轻量化检测的田间应用。