针对移动除草设备的YOLOv5轻量级网络优化与杂草检测方法

扫码查看

原文链接

万方数据
维普

中文摘要：针对当前杂草检测算法普遍面临的模型参数量庞大、实时检测性能不佳以及难以适配移动除草设备等挑战，提出了一种高效且轻量化的网络模型。该模型的核心在于对YOLOv5框架的整体改造与优化，旨在实现资源占用最小化与检测性能的最优化平衡。具体而言，引入了基于Bottleneck设计的ShuffleNet V2网络作为YOLOv5的骨干架构，这一举措有效利用了 ShuffleNet V2在保持高效推理速度的同时减少参数量的优势。进一步地，将原卷积模块与C3模块分别替换为CSconv模块和C3Ghost模块，这些轻量化组件不仅减轻了计算负担，还通过更高效的特征提取机制提升了模型性能。为增强模型在复杂多变环境中的目标识别能力，融入了无参数SimAM注意力机制，该机制无需额外学习参数即可动态调整特征图的重要性，从而增强了模型对关键信息的敏感度。同时，还集成了轻量级的空间组增强模块(SGE)，该模块通过优化空间特征分布，进一步提升了模型的鲁棒性和准确性。为了验证改进后的模型能够适配移动设备，将此模型移植到Jetson nano开发板上进行试验，数据集为芝麻作物与杂草检测数据集。实验数据表明:经过这一系列改进后，新模型的参数量仅为原始YOLOv5网络的1/5，模型体积压缩至2。9MB，在开发板上的帧率为23fps，一般摄像头拍摄的视频帧率为25fps，基本可以在开发板上流畅运行，尽管模型准确率略有下降(仅0。09％)，但这一微小牺牲换来了模型在资源受限条件下的卓越表现，实现了检测精度与计算效率的完美平衡。

作者：

何滨、荆振鹏

展开 >

作者单位：

西南交通大学计算机与人工智能学院,四川成都 610000

关键词：

轻量化网络 YOLOv5 ShuffleNet V2 SimAM注意力机制

出版年：

2025

DOI：

10.19754/j.nyyjs.20250115011

农业与技术

中国科技期刊编辑学会,吉林省科学技术信息研究所

农业与技术

影响因子：0.343

ISSN：1671-962X

年,卷(期)：2025.45(1)