基于YOLOv11的大豆田间杂草轻量化检测模型研究OA

针对大豆苗田间杂草检测中模型参数量大、部署困难、识别精度低造成施药不精准,进而导致施药污染和资源浪费等问题,设计了一种兼具高效性与精确度的轻量化检测模型。基于YOLOv11n基线模型,引入GhostConv与C3Ghost轻量化模块,显著降低了模型参数量和计算复杂度;同时,将融合EIEM模块的C3k2-EIEM模块替换Backbone中部分C3k2模块,增强了对关键边缘特征的提取能力;进一步采用BiFPN多尺度特征融合机制,优化了不同层级信息的交互与传递。在协同轻量化改进、特征增强和多尺度融合三方面策略的联合作用下,改进模型参数量降至1.4 M,仅为基线的53.8%;计算量降至5.6 GFLOPs,降幅为11.1%;模型大小压缩至3.2 MB,较基线减少了39.6%;检测帧率提升至312.5 FPS,增速24.9%;mAP@50达93.5%,较基线模型提升了1.3个百分点,其中大豆苗、禾本科、阔叶杂草检测精度分别提升了0.5、2.2、1.3个百分点。该模型在显著降低计算成本的同时提升了识别精度,可应用于田间杂草的快速精准识别,为减少化肥农药使用、降低环境污染与资源浪费提供了技术支撑。