融合全局注意力与自适应损失的玉米田杂草检测算法OA

针对玉米田间杂草检测面临杂草目标小、类别间形态相似与复杂背景干扰等问题,提出了一种基于全局感知与形态优化的玉米田杂草检测方法GMA-YOLO。首先,设计全局感知空间金字塔池化模块GA-SPPCSPC,通过在跨阶段部分连接结构中嵌入Non-local模块,建立特征图任意位置间的长程依赖关系,增强小尺度杂草目标的特征表达能力并抑制复杂背景干扰;其次,引入SEAM注意力模块,利用多尺度深度可分离卷积和指数映射通道激活策略,增强目标特征响应,提升对小尺度杂草的检测精度;最后,提出形态感知聚焦损失函数MAF,通过尺度自适应Wasserstein距离回归项增强小目标定位稳定性,采用类别自适应权重与焦点调制因子提升模型对形态相似类别的区分能力。在自建CornWeed数据集上的实验结果表明,GMA-YOLO的mAP@0.5达到96.2%,较基线模型YOLOv8n提升4.4%,精确率和召回率分别达到80.1%、83.4%,F1分数为81.7%。与主流检测模型相比,该方法在检测精度、召回率、综合性能等方面均表现出显著优势。跨数据集验证结果表明,GMA-YOLO能够准确区分不同类型杂草和作物,具有良好的泛化能力。