CEDL_YOLO：多尺度轻量化棉田杂草检测方法

来源：计算机工程与应用杂志2025年第24期北京时间：

作者：段盛茂, 章翔峰, 姜宏, 孙凯歌

单位：新疆大学 机械工程学院，乌鲁木齐 830017

摘要：针对棉田杂草检测中存在的模型计算量大、部署困难和识别率低问题，提出一种基于YOLO11n改进的轻量化目标检测模型CEDL_YOLO。在C3k2中集成星星模块（star block，Star）和改进的变异星星模块（variant star block，VStar）构成新的C3k2_S和C3k2_VS，防止过度依赖复杂结构和超参数，同时加强可扩展感受野中特征提取。提出通道混合功能（shift channel mix，SCM）改进了一种高效上采样模块（efficient up-convolution block_shift channel mix，EUCB_S），消除上采样后的特征冗余，增强对细节的感知。提出轻量化共享深度检测头（lightweight shared depthwise separable convolutional detection，LSDSCD），降低模型体积，同时增强多任务协同性和适应性。引入深度卷积（depthwise convolution，DWConv)替换主干网络卷积，增强模型的轻量化特性。结果表明，改进的CEDL_YOLO模型在准确率、召回率、F1分数和mAP50分别增加至95.84%、88.72%、92.06%和94.60%，与原YOLO11n模型对比，浮点数、模型大小和参数量分别减少33.3%、21.2%和32.4%，准确率、召回率、F1分数和mAP50分别提升0.45、2.18、1.47和1.05个百分点。该方法满足杂草检测在移动端部署的轻量化和精准要求，为棉田杂草检测及模型在移动端的部署提供参考。

关键词：深度学习,棉田,杂草检测,YOLO11n,轻量化