基于深度学习的轻量化谷田杂草检测算法LRS-YOLOv8：面向移动端部署的精准杂草识别突破

《Current Developments in Nutrition》：A lightweight detection algorithm for cereal weed recognition based on deep learning

本文提出一种基于改进YOLOv8的轻量化杂草检测模型LRS-YOLOv8，通过创新设计轻量化共享卷积组归一化检测头（LWSCGNH）、轻量化跨阶段局部重参数卷积模块（RLWCSP）和内部感知形状交并比（IWS-IoU）损失函数，在保持高精度（mAP50提升0.6%）的同时显著降低模型参数量（48.3%）和计算成本（FLOPs减少44.4%），为资源受限的移动设备（如RK3588平台）实现实时多目标杂草检测（203 FPS）提供了关键技术支撑。

　　

Highlight

本研究聚焦于复杂田间环境下的谷子杂草检测难题，通过三大创新模块构建轻量化检测体系：

1. 1.
   轻量化共享卷积组归一化检测头（LWSCGNH）：采用参数共享策略和组归一化（GN）技术，在减少计算量的同时增强小目标杂草特征提取能力；
2. 2.
   轻量化跨阶段局部重参数卷积模块（RLWCSP）：融合重参数化卷积（RepConv）与跨阶段部分连接（CSP）结构，提升多尺度特征融合效率并优化梯度流；
3. 3.
   内部感知形状交并比（IWS-IoU）损失函数：通过动态调整边界框回归权重，有效解决杂草遮挡和小目标漏检问题。

Experiments platform

实验基于Windows 11系统，搭载英特尔i7-12650H处理器和NVIDIA GeForce GTX 4060 GPU（8GB显存），使用PyTorch 2.2.2框架与CUDA 12.0加速环境，具体参数配置见表1。

Evaluation metrics

采用精确率（Precision）、召回率（Recall）、平均精度（AP）和均值平均精度（mAP）评估模型性能，其中mAP₅₀作为核心指标反映模型在50%交并比阈值下的综合检测能力。

Conclusions

LRS-YOLOv8模型在保持轻量化特性的同时，显著提升了对遮挡目标和小尺度杂草的检测鲁棒性，为移动端农业机器人实现精准施药和智能除草提供了可行方案。