基于改进YOLOv5的复杂稻田杂草轻量化检测方法研究及其在精准农业中的应用

为解决复杂稻田环境中杂草识别效果差及模型部署难的问题，研究人员提出了一种轻量化稻田杂草识别模型FGE-YOLO。该模型基于YOLOv5s网络，通过引入FasterNet主干网络、GSConv模块和ECA模块，在保持高性能的同时实现了轻量化改进。实验结果表明，FGE-YOLO模型的精确度(P)达91.1%，召回率(R)为89.0%，平均精度(mAP50)达91.9%，模型参数量减少34.5%，计算量(GFLOPs)降低39.4%，在嵌入式设备Jetson Nano上的单图推理时间缩短16.9%。该研究为精准农业中的智能除草提供了有效方法，并为复杂环境下作物管理提供了技术参考。

　　

在当今全球粮食安全面临挑战的背景下，水稻作为主要粮食作物之一，其产量和质量受到田间杂草的严重影响。据统计，每年因杂草危害导致的水稻产量损失高达9.7%。传统的人工除草方式不仅劳动强度大，还存在农药残留毒性和环境污染等问题。随着绿色农业和人工智能技术的发展，机器人智能除草逐渐成为替代人工的重要解决方案。然而，复杂农业环境中准确的杂草识别是实现智能除草的关键环节，目前大多数研究集中于识别单一杂草，缺乏对真实田间环境的普适性。

针对这一技术难题，来自黑龙江科技大学机械工程学院的Jinyan Ju、Xinhua Ma等研究团队在《Smart Agricultural Technology》发表了最新研究成果。该研究建立了复杂环境下的稻田杂草数据集，并提出了一种轻量化的稻田杂草识别模型FGE-YOLO，为精准农业中的智能除草提供了创新解决方案。

研究人员主要采用了三种关键技术方法：1）使用FasterNet替换YOLOv5s的主干网络，减少模型计算量；2）在颈部网络中引入GSConv模块替代传统卷积层，降低模型参数量；3）在颈部网络的C3模块中加入高效通道注意力(ECA)机制，增强特征表达能力。实验数据来自中国哈尔滨市方正县和香坊区两个典型水稻产区的1922张图像，通过数据增强扩展到9481张，包含幼苗和5种杂草样本。

研究结果显示，在模型性能方面，FGE-YOLO实现了精确度91.1%、召回率89.0%、mAP₅₀91.9%的高性能指标。与基础YOLOv5s模型相比，参数量减少34.5%至460万，计算量降低39.4%至9.7 GFLOPs，模型内存占用仅为9.08 MB。在轻量化效果方面，该模型在嵌入式设备Jetson Nano上的单图推理时间为118.7毫秒，比原模型缩短16.9%。

通过可视化分析发现，FGE-YOLO模型能够有效聚焦于杂草图像区域，显著提升了特征提取能力。在六种复杂环境（气泡、浮萍、作物遮挡、暗光、强光和正常光）下的测试表明，该模型相比Faster-RCNN、SSD等传统算法以及YOLOv5s-MobileNetv3、YOLOv7-tiny、YOLOv8s等轻量化模型，在保持高精度的同时实现了更好的轻量化效果。特别是在存在背景干扰的情况下，该模型减少了误检和漏检现象，展现出更强的鲁棒性。

在讨论部分，作者指出该研究的创新性主要体现在三个方面：首先，针对中国东北地区广泛种植的CKF-5水稻及其伴生杂草进行了系统分析，构建了基于复杂环境的幼苗杂草识别数据集；其次，首次在稻田杂草识别领域应用了结合FasterNet、GSConv和ECA模块的先进框架；最后，通过消融实验验证了各改进模块的有效性，为智能稻田除草机械研究提供了方法参考。

该研究的实际意义在于，提出的FGE-YOLO模型能够满足资源受限设备上的实时检测需求，为精准农业中的智能除草提供了可行的技术方案。不过，作者也指出当前研究存在两个主要局限：一是模型训练需要大量标注数据，而不同作物的标注标准差异较大；二是受地理和气候因素影响，采集的数据可能无法覆盖所有生长环境样本。未来研究将收集更多地区和环境的杂草数据，并将改进模型集成到智能稻田除草机器人系统中，实现更智能、高效的田间除草作业。

这项研究不仅推动了计算机视觉在农业领域的应用发展，也为实现绿色、高效、精准的现代农业提供了重要技术支撑。通过轻量化改进的深度学习模型，该成果为资源受限环境下的实时农业监测开辟了新途径，对促进农业生产的数字化转型具有重要意义。