[1]李孝晖,谭峰,陈雪,等.基于改进YOLO v8FDE的大豆田间杂草识别方法[J].江苏农业科学,2025,53(20):202-210.
　Li Xiaohui,et al.A weed recognition method for soybean field based on improved YOLO v8FDE[J].Jiangsu Agricultural Sciences,2025,53(20):202-210.
点击复制

基于改进YOLO v8FDE的大豆田间杂草识别方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第20期
页码:
202-210
栏目:
杂草智能检测
出版日期:
2025-10-20

文章信息/Info

Title:
A weed recognition method for soybean field based on improved YOLO v8FDE
作者:
李孝晖; 谭峰; 陈雪; 宁韶瞳
黑龙江八一农垦大学信息与电气工程学院，黑龙江大庆 163319
Author(s):
Li Xiaohui; et al
关键词:
大豆; 杂草识别; 实例分割; YOLO v8; FasterNet; Dynamic Head; Focal-EIoU
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对大豆田间杂草识别中存在的背景复杂、识别准确率低、模型参数量大、计算量高以及难以部署到边缘设备等问题，提出一种改进的轻量化YOLO v8-FDE大豆田间杂草识别方法。首先对无人机采集到的杂草图像进行噪声增强、亮度增强、对比度增强，提高数据集的丰富度；其次在YOLO v8-Seg实例分割网络的基础上，优化模型架构，使用轻量级网络FasterNet替代主干网络中的C2f模块，以减少计算量和模型参数，引入DynamicHead动态检测头，增强上下文信息融合能力，以支持多尺度目标的识别，通过结合Focal-EIoU损失函数加速模型收敛，提升训练效率和目标定位能力。结果表明，改进后的YOLO v8-FDE模型在检测精度和模型复杂度方面均表现优异；改进模型的平均检测精度(mAP)为98.2%，与原始YOLO v8n-Seg相比仅降低0.5百分点，但模型参数量为2.68 MB，减少21.4%；模型的计算量为6.0GFLOPs，降低53.1%；模型存储大小为5.77 MB，降低11.6%。改进的轻量化YOLO v8-FDE模型在保持较高检测精度的同时降低了模型存储大小、参数量、计算量，期待可为田间杂草识别模型在资源受限的边缘设备上的实际部署提供技术参考。
Abstract:
-

参考文献/References:

［1］刘珞忆，曾德志，王武全，等. 四川省大豆田常见杂草防除技术探讨［J］. 南方农业，2022，16(19)：60-63.
［2］胡冀宁，孙备，李建东，等. 植物竞争及在杂草科学中的应用［J］. 作物杂志，2007(2)：12-15.
［3］王果，张晓，陈晓，等. 农药精准施用技术与装备研究现状及展望［J］. 中国农机化学报，2023，44(6)：68-73.
［4］袁洪波，赵努东，程曼. 基于图像处理的田间杂草识别研究进展与展望［J］. 农业机械学报，2020，51(增刊2)：323-334.
［5］孙红，李松，李民赞，等. 农业信息成像感知与深度学习应用研究进展［J］. 农业机械学报，2020，51(5)：1-17.
［6］东辉，陈鑫凯，孙浩，等. 基于改进YOLO v4和图像处理的蔬菜田杂草检测［J］. 图学学报，2022，43(4)：559-569.
［7］尚文卿，齐红波. 基于改进Faster R-CNN与迁移学习的农田杂草识别算法［J］. 中国农机化学报，2022，43(10)：176-182.
［8］李安琦，马丽，于合龙，等. 改进的U-Net算法在遥感图像典型农作物分类研究［J］. 红外与激光工程，2022，51(9)：428-434.
［9］曹英丽，赵雨薇，杨璐璐，等. 基于改进DeepLabv3+的水稻田间杂草识别方法［J］. 农业机械学报，2023，54(12)：242-252.
［10］Lin T Y，Dollár P，Girshick R，et al. Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu：IEEE，2017：936-944.
［11］Bolya D，Zhou C，Xiao F Y，et al. YOLACT：real-time instance segmentation［C］//2019 IEEE/CVF International Conference on Computer Vision (ICCV).Seoul：IEEE，2019：9157-9166.
［12］Chen J R，Kao S H，He H，et al. Run，dont walk：chasing higher FLOPS for faster neural networks［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Vancouver：IEEE，2023：12021-12031.
［13］Howard A G，Zhu M L，Chen B，et al. Mobilenets：Efficient convolutional neural networks for mobile vision applications ［EB/OL］. (2017-04-17)［2024-08-15］. https://arxiv.org/pdf/1704.04861.
［14］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：6848-6856.
［15］Han K，Wang Y H，Tian Q，et al. GhostNet：more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle：IEEE，2020：1577-1586.
［16］Dai X Y，Chen Y P，Xiao B，et al. Dynamic head：unifying object detection heads with attentions［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Nashville：IEEE，2021：7369-7378.
［17］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［C］//2017 IEEE International Conference on Computer Vision (ICCV).Venice：IEEE，2017：2999-3007.

相似文献/References:

[1]赵银月,耿智德,王铁军.云南省大豆地方种质资源的籽粒特征特性分析及评价[J].江苏农业科学,2013,41(04):62.
[2]朱倩,谢飒英,谢三刚,等.稀土LaCl3对大豆叶绿素含量及a/b值的影响[J].江苏农业科学,2013,41(06):81.
　Zhu Qian,et al.Effect of LaCl3 on chlorophyll content and the ratio of chlorophyll a to chlorophyll b in soybean[J].Jiangsu Agricultural Sciences,2013,41(20):81.
[3]王宗标,王幸,徐泽俊,等.植物保健剂对大豆产量及农艺性状的影响[J].江苏农业科学,2013,41(06):85.
　Wang Zongbiao,et al.Effects of plant health care agent on yield and agronomic traits of soybean[J].Jiangsu Agricultural Sciences,2013,41(20):85.
[4]徐明坤,胥义.冷冻干燥法制备快速制浆半成品大豆的工艺条件优化[J].江苏农业科学,2013,41(06):216.
　Xu Mingkun,et al.Optimization of technological conditions for preparation of semi-finished soybean products for quick soybean milk production by freeze-drying method[J].Jiangsu Agricultural Sciences,2013,41(20):216.
[5]陈新,袁星星,崔晓艳,等.江苏省大豆生产发展布局与未来发展方向[J].江苏农业科学,2013,41(08):5.
　Chen Xin,et al.Layout and future direction of soybean production development in Jiangsu Province[J].Jiangsu Agricultural Sciences,2013,41(20):5.
[6]李丽丽,郎敬,杨洪一,等.大豆根际解磷菌的鉴定[J].江苏农业科学,2014,42(08):363.
　Li Lili,et al.Identification of phosphate-solubilizing bacteria in rhizosphere of soybean[J].Jiangsu Agricultural Sciences,2014,42(20):363.
[7]孙彦坤,于越,任红玉,等.不同生育期喷施稀土镧和铈对大豆膜透性的Hormesis效应[J].江苏农业科学,2016,44(03):88.
　Sun Yankun,et al.Hormetic effect of lanthanum and cerium on soybean membrane permeability in different growth period[J].Jiangsu Agricultural Sciences,2016,44(20):88.
[8]马绍华,易福金,王学君.中国大豆进口市场势力综合分析[J].江苏农业科学,2016,44(03):527.
　Ma Shaohua,et al.Comprehensive analysis of Chinas soybean import market forces[J].Jiangsu Agricultural Sciences,2016,44(20):527.
[9]刘志良.丘陵红壤喷施钼肥对大豆产量及经济性状的影响[J].江苏农业科学,2013,41(12):77.
　Liu Zhiliang.Effects of molybdate fertilizer on yield and economic traits of soybean in red soil hilly area[J].Jiangsu Agricultural Sciences,2013,41(20):77.
[10]李凯,盖钧镒,邱家驯,等.大豆新品种南农39的选育及栽培技术[J].江苏农业科学,2013,41(12):110.
　Li Kai,et al.Breeding and cultivation techniques of new soybean cultivar “Nannong 39”[J].Jiangsu Agricultural Sciences,2013,41(20):110.

备注/Memo

备注/Memo:
收稿日期：2024-09-01
基金项目：国家重点研发计划(编号：2023YFD2301605)；黑龙江省重点研发计划(编号：GZ20220020)；黑龙江省自然科学基金(编号：LH2023F043)；黑龙江八一农垦大学自然科学人才支持计划(编号：ZRCPY202015)；黑龙江省高等教育教学改革研究项目(编号：SJGY20210622)。
作者简介：李孝晖(1999—)，男，山东济南人，硕士研究生，主要研究方向为农业信息化、人工智能。E-mail：lxh19990420@163.com。
通信作者：谭峰，博士，教授，主要研究方向为农业物联网。E-mail：tf1972@163.com。
更新日期/Last Update: 2025-10-20