DOI：10.3969/j.issn.1672-3872.2025.13.006
基金项目：潍坊科技学院高层次人才科研启动资金项目“基于神经网络的束流与密集颗粒流相互作用的算法研究”（KJRC202308）
作 者：吕金隆 1，2 张得龙 1，2 ，孙 辉 1，2 ，林 平 1
（1. 潍坊科技学院智能制造学院，山东 潍坊 262700；2. 东新大学计算机工学系，全罗南道 罗州 58245）
摘 要：【目的】解决检测算法模型存在的检测精度低、模型复杂、参数量大、在移动端设备上部署困难以及大型数据集制作成本高等问题。【方法】以YOLOv5s为基本架构，用轻量级的Ghost模块替换原模型中参数量大的卷积模块，减少模型的参数量和计算量；在轻量化改进后的网络中增加ECA注意力模块，提升模型对不同尺度和通道的特征捕捉能力；使用FocalEIoU改进损失函数，提升模型精度的同时增强模型的鲁棒性。此外，在恒源智享云平台搭建实验环境，进行了轻量化改进模型训练，并通过消融实验分析改进模型性能。【结果】改进模型参数量由7M降低至3.9M，降低了43.9%；浮点运算次数由16 GFLOPs降低至8.6 GFLOPs，降低了46.3%；权重参数由14.4 MB降低至8.4 MB，降低了41.7%；图像的测试速度由70.92帧·s-1 提升至78.52帧·s-1 ，增长约10.7%；改进模型的mAP值由0.912提升至0.925。【结论】本研究设计的改进YOLOv5s模型可以有效识别棉花田杂草，并为轻量级的杂草检测算法模型部署移动应用提供技术支持。
关键词：YOLOv5；杂草检测；目标检测；深度学习
引文信息：[1]吕金隆，张得龙，孙辉，等.基于改进YOLOv5的农田杂草目标检测算法研究[J].南方农机，2025，56(13):27-31.
查看全文请下载PDF文件↓
