YOLO-CottWed:一种用于棉花田中精细杂草检测的轻量级网络

《Neurocomputing》:YOLO-CottWed: A Lightweight Network for Fine-Grained Weed Detection in Cotton Fields

【字体: 大 中 小 】 时间:2026年03月21日 来源:Neurocomputing 6.5

编辑推荐:

  本文提出YOLO-CottWed轻量级模型,通过Depthwise Separable Parallel Convolution(DSPC)模块和轻量级颈部模块优化特征提取与融合,并采用EIoU损失提升检测精度。实验表明,该模型在CottonWeedDet12数据集上mAP@0.5达91.9%,参数减少39.7%,FLOPs降低24.4%,适用于资源受限的农业实时检测。

  
作者:Ao Li、Kunkun Zhang、Bin Wang、Cunlu Xu、Jun Liu
南京财经大学计算机科学与人工智能学院,中国南京 210023

摘要

高效且稳健的杂草检测对于可持续的棉花种植至关重要。现有的深度学习方法通常在准确性和计算成本之间面临权衡,这限制了它们的实际应用。为了解决这个问题,我们提出了YOLO-CottWed,这是一种专为棉花田设计的轻量级细粒度杂草检测模型。该模型的核心部分采用了新颖的深度可分离并行卷积(DSPC)模块,该模块不仅降低了计算复杂度,还在噪声条件下通过同时提取空间和通道特征来增强模型的鲁棒性。在“颈部”部分,轻量级颈部(LN)模块应用了通道约束和投影卷积,以提高多尺度特征融合的效率。模型采用扩展IoU(EIoU)损失函数来增强边界框的定位能力。在CottonWeedDet12数据集上的实验表明,YOLO-CottWed的mAP@0.5达到了91.9%,优于YOLOv8n(91.3%),同时保持了233帧每秒的相似帧率。此外,YOLO-CottWed的参数数量从300万减少到了181万,FLOPs从8.2亿减少到了6.2亿。YOLO-CottWed的设计也可以应用于YOLOv10,产生一个更轻量、更快速的模型,并具有竞争力的性能。这些结果突显了YOLO-CottWed的效率、鲁棒性和可迁移性,使其适用于资源受限的农业应用和精确的杂草管理。

引言

棉花是世界上最重要的经济作物之一,是纤维、油脂和动物饲料的来源[1]。然而,其种植面临许多挑战,其中杂草侵扰是一个特别严重的威胁[2]。杂草通过与作物竞争养分、水分和阳光等关键资源,严重阻碍了作物的生长和发育[3]。如果管理不当,杂草可能导致高达90%的产量损失[4]。因此,有效的杂草控制对于提高农业生产力并减少经济损失至关重要。
大规模喷洒除草剂仍然是农业中主要的杂草控制方法[5]。虽然这种方法能迅速抑制杂草生长并减少作物竞争,但由于成本低且操作简便,其广泛使用往往导致过度施用,从而对作物和环境造成伤害。这激发了对精准除草剂应用的兴趣[6]。作为回应,已经开发出了精准喷洒机器人,可以有选择地针对不需要的植物,潜在地减少除草剂的使用量高达80%,并缓解与化学废物和残留物相关的问题[7]。为了充分利用精准喷洒系统的潜力,准确的实时杂草识别是必不可少的,因为这是机器人杂草控制的基础步骤。
近年来,深度学习的快速发展大大扩展了自动化目标检测和分析的应用范围。例如,[8]将深度学习应用于合成孔径雷达(SAR)图像中的目标检测,解决了小目标和成像伪影带来的挑战。同样,[9]使用基于可微分的超像素显著性检测网络来准确突出SAR图像中的感兴趣区域,展示了端到端注意力引导的特征提取的潜力。在农业应用中,[10]利用深度学习进行多作物种类的叶片分割和计数,表明在多作物数据集上训练的统一模型可以优于特定作物的模型。此外,[11]验证了YOLOv8在棉花田中多类杂草检测的有效性,强调了其在复杂环境条件下的高准确性和强泛化能力。
这些最近的研究展示了深度学习在自动化检测任务中的巨大潜力。在农业杂草管理的背景下,最初的方法主要集中在粗粒度检测上(图1,左侧),这些方法仅区分作物和杂草,而不识别具体的杂草种类。例如,[12]优化了YOLOv5模型,在他们自定义的棉花田杂草数据集(CWDD)上将mAP@0.5提高了9.1%,达到了0.978的性能。同样,[7]将注意力机制和双线性插值集成到Faster R-CNN中,以在复杂的田间条件下检测棉花幼苗和杂草,实现了98.43%的mAP@0.5和165毫秒的推理时间。
然而,对精准杂草管理日益增长的需求使研究重点转向了细粒度检测。如图1(右侧)所示,与粗粒度方法不同,细粒度检测可以识别具体的杂草种类,从而实现针对特定杂草类型的精准除草剂应用。这种策略可以进一步减少环境影响并提高除草效率。尽管有这些优势,但由于某些杂草种类之间的视觉相似性很高,以及同一田地内多种杂草的频繁共存,细粒度检测仍然具有挑战性。
应对这些挑战已成为近期研究的重点。例如,[13]引入了WeedDet模型,通过改进核心网络、特征金字塔和检测头来增强特征表示,实现了94.1%的mAP,参数数量为2433万,FLOPs为54.72 GFLOPs。同样,[14]通过结合Ghost模块、C3Trans和CBAM,提出了GTCBS-YOLOv5s,在复杂环境中增强了特征提取,实现了91.1%的mAP@0.5和25.1 GFLOPs。虽然这些模型在细粒度杂草检测方面表现出高准确性,但它们通常以增加模型复杂性和降低推理速度为代价,这可能限制了它们在现实农业场景中的实用性。为了克服这些限制,本研究提出了一个更高效的细粒度杂草检测框架YOLO-CottWed,旨在在准确性和计算成本之间取得更好的平衡。与依赖复杂且计算成本高昂的现有模型不同,YOLO-CottWed设计得既轻量又高效,能够在现实世界的棉花田中实现准确的物种级杂草识别,同时保持快速的推理速度。
YOLO-CottWed的核心贡献包括将深度可分离并行卷积(DSPC)集成到核心网络中以提高特征提取效率,以及设计了一个轻量级颈部模块,该模块结合了上下文注意力(CTA)机制,以实现流畅的多尺度特征融合并提高对遮挡和背景噪声的鲁棒性。此外,该框架采用了扩展IoU(EIoU)损失函数来实现更精确的边界框回归。在公共棉花杂草数据集上的广泛实验表明,YOLO-CottWed实现了具有竞争力的检测准确性和推理速度,同时大幅减少了参数数量和计算开销,如图2所示,突显了其在现实世界精准农业应用中的强大潜力。
本文的其余部分结构如下。第2节讨论了基于YOLO的检测器和杂草检测方法的相关工作。第3节描述了提出的YOLO-CottWed框架及其关键组成部分。第4节展示了实验结果和详细分析。第5节总结了本文。

相关研究

相关工作

YOLO(You Only Look Once)由[15]提出,以其实时效率而广受认可。自诞生以来,YOLO系列经历了显著的发展,并已广泛应用于各个领域,包括精准农业。下面,我们简要回顾了关键的YOLO版本及其在杂草检测中的应用。

提出的YOLO-CottWed

在实际应用中,边缘设备的计算和存储能力限制了模型参数的数量和计算工作负载。同时,棉花田环境的复杂性、杂草种类的多样性以及杂草和作物的重叠生长和遮挡给实现模型准确性和轻量化设计之间的平衡带来了重大挑战。尽管YOLOv8n在准确性和计算成本之间展示了值得称赞的权衡

数据集

本研究使用了两个公开可用的数据集CottonWeedDet12和CottonWeedDet3来评估我们提出的模型的性能。CottonWeedDet12由[30]提出,包含5,648张图像和9,388个边界框注释,涵盖了12种杂草,这些图像和注释是在自然田间条件下使用高分辨率智能手机和相机拍摄的。图9展示了每种杂草的代表性样本。CottonWeedDet3由[35]提出,包含848张RGB图像和1,532个注释,涉及三种

结论

本研究提出了YOLO-CottWed,这是一种用于棉花田细粒度杂草检测的轻量级模型。通过将DSPC集成到核心网络中,结合通道约束的轻量级颈部和CTA模块,并采用EIoU损失函数,该模型将参数数量减少了39.7%,FLOPs减少了24.4%,同时保持了具有竞争力的mAP@0.5(在CottonWeedDet12上为91.9%,在CottonWeedDet3上为76.7%)。即使对于低频杂草,该模型也能实现稳健的检测。YOLO-CottWed的设计还可以

作者贡献声明

Jun Liu:撰写——审稿与编辑、监督、资源管理、概念构思。Ao Li:撰写——初稿撰写、可视化、验证、软件开发、方法论研究、数据管理。Kunkun Zhang:验证、研究调查、形式化分析、数据管理。Bin Wang:撰写——审稿与编辑、监督、资源管理、项目协调、方法论研究、资金获取、概念构思。Cunlu Xu:撰写——审稿与编辑、监督、资源管理、资金获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究部分得到了江苏省自然科学基金(项目编号BK20221345)、甘肃省科技项目(项目编号24JRRA864)以及江苏省研究生研究与实践创新计划(项目编号KYCX25_2126)的支持。
Ao Li于2023年获得中国南京邮电大学信息工程学士学位。他目前正在南京财经大学攻读软件工程硕士学位。他的研究兴趣包括深度学习和目标检测。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号