摘要
针对当前杂草检测算法普遍面临的模型参数量庞大、实时检测性能不佳以及难以适配移动除草设备等挑战,提出了一种高效且轻量化的网络模型。该模型的核心在于对YOLOv5框架的整体改造与优化,旨在实现资源占用最小化与检测性能的最优化平衡。具体而言,引入了基于Bottleneck设计的ShuffleNet V2网络作为YOLOv5的骨干架构,这一举措有效利用了ShuffleNet V2在保持高效推理速度的同时减少参数量的优势。进一步地,将原卷积模块与C3模块分别替换为CSconv模块和C3Ghost模块,这些轻量化组件不仅减轻了计算负担,还通过更高效的特征提取机制提升了模型性能。为增强模型在复杂多变环境中的目标识别能力,融入了无参数SimAM注意力机制,该机制无需额外学习参数即可动态调整特征图的重要性,从而增强了模型对关键信息的敏感度。同时,还集成了轻量级的空间组增强模块(SGE),该模块通过优化空间特征分布,进一步提升了模型的鲁棒性和准确性。为了验证改进后的模型能够适配移动设备,将此模型移植到Jetson nano开发板上进行试验,数据集为芝麻作物与杂草检测数据集。实验数据表明:经过这一系列改进后,新模型的参数量仅为原始YOLOv5网络的1/5,模型体积压缩至2.9MB,在开发板上的帧率为23fps,一般摄像头拍摄的视频帧率为25fps,基本可以在开发板上流畅运行,尽管模型准确率略有下降(仅0.09%),但这一微小牺牲换来了模型在资源受限条件下的卓越表现,实现了检测精度与计算效率的完美平衡。
出处
《农业与技术》
2025年第1期50-56,共7页
Agriculture and Technology
