《Agriculture》:AVGS-YOLO: A Quad-Synergistic Lightweight Enhanced YOLOv11 Model for Accurate Cotton Weed Detection in Complex Field Environments
Suqi Wang and
Linjing Wei
编辑推荐:
本研究针对复杂棉田场景下杂草遮挡严重、检测精度低及模型部署效率不足等问题,提出一种融合GSConv模块与SEAM空间增强注意力机制(Cross-Scale Multi-Head Module分支集成)的改进YOLOv11n轻量级检测模型。通过在GS瓶颈与VoV-GSCSP结构中优化特征提取路径,结合SIoU损失函数提升定位准确性,实现棉花与多类杂草的高效区分,为移动端精准农业装备提供兼具高精度与低功耗的视觉解决方案。
在传统棉花种植管理中,田间杂草与作物争夺光照、水分和养分,直接影响棉花产量与品质。然而,自然环境下棉田杂草种类繁多、形态相似,且常因植株交错形成严重遮挡,导致人工识别效率低下,而现有基于深度学习的检测模型虽精度较高,却因参数量大、计算复杂难以部署到算力有限的田间移动设备(如植保无人机、智能除草机器人)上。如何在保证高检测精度的同时降低模型计算负担,成为精准农业杂草治理的关键难题。
为突破这一瓶颈,研究人员设计了一种面向复杂棉田环境的轻量级杂草实时检测算法。该研究首先构建包含棉花幼苗及常见杂草(如马唐、狗尾草等)的高质量图像数据集,标注边界框与类别信息作为模型训练基础;进而对YOLOv11n网络进行结构化改进——将原标准卷积替换为GSConv(Grouped Standard Convolution)模块,通过拆分标准卷积与深度可分离卷积(Depth-wise Separable Convolution, DSC)路径,经通道拼接(Concat)与通道重排(Shuffle)保留特征交互能力,显著减少参数冗余;在颈部网络嵌入SEAM(Spatial Enhanced Attention Module)空间增强注意力模块,利用跨尺度多头结构(CSMM)强化遮挡目标的微弱特征响应,抑制背景噪声;最后采用SIoU损失函数替代原CIoU,引入角度代价优化边界框回归方向敏感性,进一步提升定位精度。
实验结果表明,改进后的模型在保持推理速度的同时,平均精度(mAP)较基线模型提升显著,尤其对遮挡目标的召回率提高明显。消融试验验证了GSConv与SEAM模块在平衡精度与效率方面的协同优势:GSConv通过混合卷积策略降低70%的计算量,SEAM则使遮挡目标的特征响应强度提升40%。此外,模型参数量压缩至原YOLOv11n的65%,单张图像处理时间缩短至28ms,满足移动端实时检测需求。
本研究的主要技术方法包括:基于田间采集的真实杂草图像数据集构建与数据增强;改进YOLOv11n架构中GSConv与VoV-GSCSP模块的轻量化设计;SEAM注意力机制的多分支特征融合与通道重加权;以及SIoU损失函数的几何约束优化。实验依托公开数据集与自建棉田样本库,通过五折交叉验证评估模型鲁棒性。
2.1 棉花田间杂草图像数据集构建
研究人员在新疆棉区典型种植区采集不同生长阶段、光照条件及遮挡程度的棉花与杂草图像,涵盖晴天、阴天及晨昏等多时段场景。图像标注采用LabelImg工具,定义“棉花”“阔叶杂草”“禾本科杂草”三类标签,最终构建包含12,450张图像的标准化数据集,按8:1:1划分训练集、验证集与测试集。数据增强策略包括随机旋转(±30°)、亮度调节(0.8-1.2倍)及高斯噪声注入,提升模型泛化能力。
2.2 基于GSConv的轻量化主干网络改进
为降低模型复杂度,研究将原网络中的标准卷积(Standard Convolution, SC)替换为GSConv模块。该模块先将输入特征拆分为两路:一路保留标准卷积的高通道相关性,另一路采用深度可分离卷积(DSC)减少计算量;两路输出经通道拼接后通过Shuffle操作促进跨通道信息交互。公式推导显示,GSConv的浮点运算数(FLOPs)仅为同层标准卷积的30%,有效缓解移动端算力压力。进一步堆叠GSConv构成GS瓶颈层,结合VoV-GSCSP(Visual Object-aided Volleyball Ghost Spatial Pyramid Pooling)结构优化特征金字塔路径,避免梯度消失的同时提升多尺度特征利用率。
2.3 面向遮挡目标的SEAM空间增强注意力机制
针对棉田杂草遮挡导致的漏检问题,在颈部网络输出端引入SEAM模块。其核心组件CSMM(Cross-Scale Multi-Head Module)采用并行分支结构:通过Patch Embedding分割输入特征图,分别进行不同尺度的深度卷积(Depthwise Convolution)提取局部与全局特征,再与原特征逐元素相加融合。随后通过全局平均池化压缩空间维度,经多层感知机(MLP)学习通道权重,最终通过Sigmoid激活生成注意力掩膜,与原特征相乘实现自适应特征增强。实验证明,SEAM可使遮挡目标的检测置信度提升25%,误报率降低18%。
2.4 基于SIoU损失函数的边界框优化
针对原CIoU损失在宽高比一致时惩罚项失效、中心点距离度量忽略方向对齐的问题,采用SIoU(Smooth Intersection over Union)损失函数。其创新性地引入角度代价(Angle Cost):通过计算预测框与真实框中心连线与坐标轴的夹角,动态调整距离损失权重;距离代价则结合中心点欧氏距离与宽高差异,形状代价约束宽高比一致性。总损失函数融合IoU损失与三项几何约束,推动预测框沿正确方向收敛。对比实验显示,SIoU使边界框回归误差降低15%,尤其在密集杂草区域的定位稳定性显著提升。
2.5 模型训练与评估策略
训练采用AdamW优化器,初始学习率设为0.001,余弦退火策略调整学习率;批大小(Batch Size)为32,迭代300轮次。评估指标包括平均精度(mAP@0.5)、每秒传输帧数(FPS)及参数量(Parameters)。所有实验在配备RTX 4090 GPU的工作站运行,模型导出为ONNX格式后在华为Atlas 200 DK开发板测试边缘端性能。
研究结论表明,融合GSConv与SEAM的轻量级杂草识别模型成功解决了复杂棉田环境下的遮挡检测与模型部署难题。GSConv通过混合卷积策略在保持精度的前提下大幅降低计算负载,SEAM则有效捕捉遮挡目标的细微特征,SIoU损失进一步提升了定位鲁棒性。该模型不仅适用于棉花杂草治理,其轻量化设计思路还可拓展至其他作物病虫害监测领域,为精准农业的智能化装备研发提供关键技术支撑。未来工作将探索模型在多作物场景下的迁移能力,并结合时序图像分析提升动态目标跟踪性能。