Ein leichtgewichtiges Unkrauterkennungsmodell für Baumwollfelder basierend auf einem verbesserten YOLOv8n

In der modernen Landwirtschaft stellt die Verbreitung von Unkräutern in Baumwollfeldern eine erhebliche Bedrohung für das gesunde Wachstum und den Ertrag von Pflanzen dar. Daher sind effiziente Erkennung und Kontrolle von Unkräutern in Baumwollfeldern von größter Bedeutung. In den letzten Jahren haben Deep-Learning-Modelle großes Potenzial bei der Erkennung von Unkräutern in Baumwollfeldern gezeigt und eine hohe Präzision bei der Unkrauterkennung erreicht. Bestehende Deep-Learning-Modelle verfügen jedoch trotz ihrer hohen Genauigkeit häufig über komplexe Berechnungen und einen hohen Ressourcenverbrauch, was ihre Anwendung in praktischen Szenarien erschwert. Um dieses Problem anzugehen, ist es entscheidend, effiziente und leichtgewichtige Erkennungsmethoden zur Unkrauterkennung in Baumwollfeldern zu entwickeln, um eine effektive Unkrautbekämpfung zu gewährleisten. Diese Studie schlägt den YOLO-Weed Nano-Algorithmus basierend auf dem verbesserten YOLOv8n-Modell vor. Zuerst wird die Depthwise Separable Convolution (DSC)-Struktur verwendet, um das HGNetV2-Netzwerk zu verbessern, wodurch das DSHGNetV2-Netzwerk entsteht, das als Backbone des YOLOv8n-Modells dient. Zweitens wird das Bidirectional Feature Pyramid Network (BiFPN) eingeführt, um die Merkmalfusionsebene zu verbessern und die Fähigkeit des Modells zur Erkennung von Unkrautmerkmalen in komplexen Hintergründen weiter zu optimieren. Schließlich wird ein leichtgewichtiger Erkennungsbereich, LiteDetect, der für die BiFPN-Struktur geeignet ist, entworfen, um die Modellstruktur zu vereinfachen und die Rechenlast zu reduzieren. Experimentelle Ergebnisse zeigen, dass YOLO-Weed Nano im Vergleich zum ursprünglichen YOLOv8n-Modell das mAP um 1 % verbessert, während die Anzahl der Parameter, Berechnungen und Gewichte um 63,8 %, 42 % und 60,7 % reduziert werden.