基于改进YOLO v8FDE的大豆田间杂草识别方法

来源：江苏农业科学杂志2025年第第20期北京时间：

作者：李孝晖;谭峰;陈雪;宁韶瞳

单位：黑龙江八一农垦大学信息与电气工程学院，黑龙江大庆 163319

摘要：针对大豆田间杂草识别中存在的背景复杂、识别准确率低、模型参数量大、计算量高以及难以部署到边缘设备等问题，提出一种改进的轻量化YOLO v8-FDE大豆田间杂草识别方法。首先对无人机采集到的杂草图像进行噪声增强、亮度增强、对比度增强，提高数据集的丰富度；其次在YOLO v8-Seg实例分割网络的基础上，优化模型架构，使用轻量级网络FasterNet替代主干网络中的C2f模块，以减少计算量和模型参数，引入DynamicHead动态检测头，增强上下文信息融合能力，以支持多尺度目标的识别，通过结合Focal-EIoU损失函数加速模型收敛，提升训练效率和目标定位能力。结果表明，改进后的YOLO v8-FDE模型在检测精度和模型复杂度方面均表现优异；改进模型的平均检测精度(mAP)为98.2%，与原始YOLO v8n-Seg相比仅降低0.5百分点，但模型参数量为2.68 MB，减少21.4%；模型的计算量为6.0GFLOPs，降低53.1%；模型存储大小为5.77 MB，降低11.6%。改进的轻量化YOLO v8-FDE模型在保持较高检测精度的同时降低了模型存储大小、参数量、计算量，期待可为田间杂草识别模型在资源受限的边缘设备上的实际部署提供技术参考。

关键词：大豆;杂草识别;实例分割;YOLO v8;FasterNet;Dynamic Head;Focal-EIoU