摘要
棉田杂草识别是精准农业中的关键任务,尤其在地膜覆盖、目标遮挡和密集分布等复杂田间环境下,对识别算法的实时性与鲁棒性提出了更高要求。鉴于此,在YOLOv11s-seg架构基础上,提出了一种适用于田间智能终端的实例分割算法YOLO-weed。该方法采用VanillaNet-6替代原始主干网络,以增强低计算资源下的特征提取能力;引入分离增强注意力模块,加强特征间的语义交互;同时构建融合动态卷积与掩码原型结构的分割头,提升目标区域的边界感知与掩码预测效果。在自建棉田杂草实例分割数据集上进行验证,结果表明,YOLO-weed在mIoU、掩码召回率与mAP@50等关键指标上分别达到0.802、0.858和0.912,整体性能较YOLOv11s-seg算法分别提升了5.4、3.7和2.3个百分点。该改进方法适用于农田作物与杂草分割任务,具备良好的部署前景。
出处
《物联网技术》
2025年第16期75-78,82,共5页
Internet of things technologies
基金
中国科学技术部重大科技创新项目(2022ZD0115802)
“天山英才”科技创新团队项目(2023TSYCTD0012)。
