基于改进Mask R—CNN的稻田杂草智能检测方法

来源：中国农机化学报杂志2025年第11期北京时间：

作者：刘彩红, 王晓婷,

单位：(1. 开封文化艺术职业学院计算机学院，河南开封，475001； 2. 开封大学信息工程学院，河南开封，475004； 3. 河南省高标准农田智能灌溉工程研究中心，河南开封，475004)

摘要：针对在稻田杂草检测任务中遇到的目标边界模糊、环境光强变化、多尺度目标识别困难以及计算效率低等问题，提出一种基于改进Mask R—CNN的稻田杂草智能检测方法。首先，在原始Mask R—CNN模型的基础上，通过引入边界感知因子优化卷积核权重，设计自适应边界感知卷积，以提高模型对杂草与水稻边界区域的特征提取能力。然后，利用在不同尺度特征之间建立的信息交互机制，设计自适应多尺度交互特征融合策略，不仅优化小尺度目标的精确率，还提升复杂背景下的检测稳定性。最后，结合边界增强、目标定位和置信度优化，构建边界感知与多任务联合优化损失，使模型在提高杂草目标分割精度的同时，又增强对杂草识别的鲁棒性。此外，在保证精确率的前提下，采用优化卷积操作加速模块提高模型的计算效率，使其能够更加适应稻田杂草实时智能检测需求。试验结果表明，提出的改进方法在背景复杂、光照多变及目标多尺度的稻田杂草检测任务中均表现出更强的检测性能，精确率、召回率和平均精度均值mAP分别达到94.4%、95.9%和95.2%，相比原始Mask R—CNN模型分别提升9.3%、6.2%和8.6%，且具有更高的运行效率，推理速度提升32.0%，为精准农业中的智能除草系统开发提供可靠的技术支持。

关键词：精准农业,稻田杂草,智能检测,自适应边界感知卷积

基金资助：河南省高等学校重点科研项目(21A520029)；开封市科技发展计划项目(2402002)