摘要：為在稻田中準(zhǔn)確高效識別雜草，從而支持選擇性噴藥或機器人除草，基于農(nóng)業(yè)大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)技術(shù)提出改進的YOLO v8雜草檢測模型，即采用CBAM（convolution block attention module）注意力機制來增強YOLO v8網(wǎng)絡(luò)對復(fù)雜環(huán)境中雜草特征的提取能力，同時使用EIOU（expected intersection over union）+DFL（distribution focal loss）提高YOLO v8檢測框的回歸效率，并通過模型對比試驗驗證了改進YOLO v8模型的有效性。結(jié)果表明，改進YOLO v8模型在測試集上的均值平均精度（mean average precision，mAP）達到98.2%，相比YOLO v8提高了4.4百分點，且在參數(shù)量和計算量方面僅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7，其mAP分別提高24.8、21.9、14.8、21.3、8百分點。在模擬不同光照條件的測試中，改進YOLO v8模型表現(xiàn)出較強的泛化能力，精度（precision，P）、召回率（recall，R）和mAP保持在88.1%以上。此外，在測試環(huán)境復(fù)雜的條件下，改進YOLO v8模型對6種雜草的識別顯示出卓越的魯棒性和泛化能力，P達到94.2%以上，R達到95.7%以上，AP均達到95.2%以上。綜上，本研究提出的改進YOLO v8具有更少的參數(shù)和計算量，同時克服了現(xiàn)有稻田中雜草識別方法的局限性，可為稻田中的雜草控制工作提供技術(shù)支持。

關(guān)鍵詞：稻田；雜草識別；農(nóng)業(yè)大數(shù)據(jù)；深度學(xué)習(xí)；YOLO v8模型；魯棒性；泛化能力

中圖分類號：TP391.41；S126 文獻標(biāo)志碼：A

文章編號：1002-1302（2024）18-0215-07

收稿日期：2024-05-28

基金項目：山東省水稻產(chǎn)業(yè)技術(shù)體系濟寧綜合試驗站建設(shè)項目（編號：SDAIT-17-11）；山東省科技特派員創(chuàng)新創(chuàng)業(yè)及科技服務(wù)鄉(xiāng)村振興典型案例項目（編號：2022DXAL0117）；國家重點研發(fā)計劃（編號：2022YFD2001501）。

作者簡介：高發(fā)瑞（1982—），男，山東濟寧人，碩士，高級農(nóng)藝師，主要從事水稻栽培育種、農(nóng)業(yè)大數(shù)據(jù)研究。E-mail：gaofarui@163.com。

通信作者：管憲魯，博士研究生，主要從事農(nóng)業(yè)信息化及智能化研究，E-mail：guanxl@stu.scau.edu.cn；高國良，碩士，高級農(nóng)藝師，主要從事水稻栽培育種研究，E-mail：haishuig@163.com。

水稻生產(chǎn)受雜草競爭生長的嚴(yán)重影響，其產(chǎn)量和品質(zhì)大幅下降^［1-2］。傳統(tǒng)的除草方法采用人工大面積噴施除草劑，然而這種方式勞動強度大、危險性高^［3］。為了提高效率，農(nóng)業(yè)領(lǐng)域逐漸引入了無人機和農(nóng)機進行噴施農(nóng)藥，但同時也帶來了環(huán)境污染和食品安全的問題^［4］。隨著精準(zhǔn)農(nóng)業(yè)和綠色農(nóng)業(yè)理念的興起，研究者們積極探索準(zhǔn)確高效的雜草識別方法，以應(yīng)對環(huán)境污染和食品安全問題^［5-8］。

傳統(tǒng)的基于圖像處理的識別方法雖然在一定程度上有效，但在復(fù)雜多變的自然環(huán)境下存在著諸多問題，如光照條件影響、計算量大和檢測速度慢等^［9-13］。近年來，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）等模型在雜草識別領(lǐng)域有很多應(yīng)用。這些模型能夠自動提取圖像高級特征，對光照、角度等變化具有強魯棒性，從而提高了識別的準(zhǔn)確性和穩(wěn)定性。已有多種基于深度學(xué)習(xí)的雜草識別模型被提出，例如Yu等的CNN模型^［14］、Babu等改進的深度殘差網(wǎng)絡(luò)^［15］、張樂等提出的Faster R-CNN模型等^［16-17］。在稻田雜草識別方面，鄧向武等采用多特征融合和深度置信網(wǎng)絡(luò)^［18］，李彧等使用U-Net模型實現(xiàn)了高準(zhǔn)確度識別^［19］，Peng等通過改進RetinaNet，提高了模型的魯棒性和檢測速度^［20］。

基于圖像自動識別水稻田中雜草種類的方法非常有必要，而且圖像作為農(nóng)業(yè)大數(shù)據(jù)的重要部分^［21］可以用來進行數(shù)據(jù)挖掘與分析，從而用于指導(dǎo)農(nóng)業(yè)生產(chǎn)。在大量田間雜草圖像數(shù)據(jù)的支撐下，基于深度學(xué)習(xí)技術(shù)對稻田雜草數(shù)據(jù)進行特征提取和模型訓(xùn)練對于精準(zhǔn)除草具有重要意義。然而，水面反射、土壤背景、不同的生長和光照變化使得這種方法的開發(fā)具有挑戰(zhàn)性^［22］。此外，為了實際應(yīng)用，還需要考慮模型的計算成本和識別速率。因此，本研究的目的是開發(fā)一種輕量級的稻田雜草種類識別模型。為此，本試驗的具體目標(biāo)為收集水稻田中6種主要雜草的數(shù)據(jù)，建立雜草數(shù)據(jù)集；通過改進YOLO v8模型，提出一種輕量級的雜草識別模型，并測試該模型的魯棒性。

1 材料與方法

1.1 數(shù)據(jù)集構(gòu)建與預(yù)處理

雜草圖像是于2022年6—10月在山東省濟寧市農(nóng)業(yè)科學(xué)研究院水稻試驗田中，使用蘋果iPhone 11智能手機拍攝的。選取水稻田中的鱧腸（Eclipta prostrata）、千金子（Leptochloa chinensis）、異型莎草（Cyperus difformis）、水莧菜（Ammannia baccifera）、稗（Echinochloa crusgalli）和野慈姑（Sagittaria trifolia）作為研究對象，采集圖像并構(gòu)建了包括3 210張雜草圖像的數(shù)據(jù)集。隨后本研究在農(nóng)藝專家的指導(dǎo)下將數(shù)據(jù)中的圖像劃分為相應(yīng)的雜草類別。圖像被裁剪為640像素×640像素（圖1），訓(xùn)練集、驗證集和測試集的劃分如表1所示。

1.2 改進的YOLO v8模型

本研究提出了一種改進的YOLO v8檢測模型，用于復(fù)雜環(huán)境中識別水稻田中的雜草。YOLO v8是目前主流的目標(biāo)檢測模型之一，采用基于無錨的檢測方法，這意味著它直接預(yù)測目標(biāo)的中心點和寬高比，而不是預(yù)測框的位置和大小。這種方法可以減少預(yù)測框的數(shù)量，并提高檢測速度和準(zhǔn)確性。其原理可分為兩部分：特征提取和目標(biāo)檢測。然而，在實際檢測中，在處理圖像對象密集、目標(biāo)之間相互遮擋、對象多尺度檢測等問題方面仍存在一些不足^［23］。為了解決這些問題，本研究基于YOLO v8進行了一系列改進，如引入CBAM（convolution block attention module）注意力機制、改進損失函數(shù)等方法。改進YOLO v8模型的基本架構(gòu)如圖2所示。

1.3 CBAM注意力機制

在計算機視覺中，增加的注意力機制使圖像或特征圖的不同部分能夠以不同的方式加權(quán)。這允許網(wǎng)絡(luò)在另一個程度上關(guān)注特征圖的不同區(qū)域，從而使網(wǎng)絡(luò)能夠更好地關(guān)注感興趣的目標(biāo)區(qū)域。注意力機制可以增強圖像信息提取，提高對檢測目標(biāo)的聚焦。CBAM注意力機制由通道和空間注意力機制組成，其結(jié)構(gòu)如圖3所示。給定1個輸入特征圖，該模塊首先沿通道和空間2個維度依次推斷注意力權(quán)重。接著，將它們與輸入特征圖相乘，以進行自適應(yīng)特征修改^［24］。在本研究中，CBAM注意力機制被嵌入到SPPF（spatial pyramid pooling fast）模塊，進一步增強YOLO v8主干的特征提取能力。

1.4 改進的預(yù)測框回歸損失函數(shù)

YOLO v8原始的預(yù)測框回歸損失為CIoU（complete intersection over union）+DFL（distribution focal loss）^［25］。如圖4所示，CIoU和EIoU（expected intersection over union）在不同的迭代時期所展現(xiàn)出的效果存在明顯差異。CIoU預(yù)測框的尺度無法快速跟隨目標(biāo)自適應(yīng)變化，而EIoU的預(yù)測框可以快速向真實框擬合。因此，本研究將YOLO v8的損失函數(shù)由CIoU改進為EIoU。EIoU的計算過程由3部分組成：IoU損失（L_IoU）、中心距離損失（L_dis）和縱橫比損失（L_asp）。EIoU損失（L_EIoU）可由公式（1）表示：

L_EIoU=L_IoU+L_dis+L_asp=1-IoU+ρ²（b，b^gt）c²+ρ²（w，w^gt）c²_w+ρ²（h，h^gt）c²_h。（1）

式中：IoU表示交并比，表示預(yù)測框和真實框的交集和并集的比值；ρ為預(yù)測框與真實框之間的歐氏距離；b、w、h分別為預(yù)測框的中心點、寬度、高度；b^gt、w^gt、h^gt分別為真實框的中心點、寬度、高度；c、c_w、c_h分別為包含預(yù)測框與真實框的最小邊界矩形框的對角線長度、寬度、高度。

分布焦點損失（distribution focal loss，DFL）的原理在于它同時考慮了分類難度和圖像中對象實例的空間分布，建立在焦點損失的基礎(chǔ)上，可以通過降低分類良好的例子的損失貢獻來解決類別失衡問題。如圖5所示，分布焦點損失通過將空間信息（如對象密度圖或區(qū)域建議）納入損失計算中。這樣，分布焦點損失引導(dǎo)模型能夠讓網(wǎng)絡(luò)更快地聚焦于目標(biāo)y附近的值，以交叉熵的形式去優(yōu)化目標(biāo)y最接近的左右2個位置的概率?？偟膩碚f，分布焦點損失能夠有效地利用空間上下文，增強對象檢測模型的穩(wěn)健性和性能。

1.5 試驗環(huán)境及模型評估

試驗所用計算機的GPU型號為NVIDIA RTX3060，并利用CUDA 10.2加快模型收斂速度。模型訓(xùn)練參數(shù)設(shè)置如下：初始學(xué)習(xí)率為0.01，批量大小設(shè)置為6，訓(xùn)練周期為50個迭代。使用保留的測試集評估改進的YOLO v8模型的雜草識別準(zhǔn)確率，同時考慮模型的計算復(fù)雜性來評估其性能。模型的評價指標(biāo)主要如下：精度（precision，P）、召回率（recall，R）、平均精度（average precision，AP）、平均精度均值（mean average precision，mAP）、參數(shù)量以及每秒浮點操作數(shù)（FLOPs）。這些指標(biāo)的定義如公式（2）、公式（3）、公式（4）和公式（5）所示。

P=TPTP+FP×100%；（2）

R=TPTP+FN×100%；（3）

AP=（∫2₀PRdR）×100%；（4）

mAP=∑6n=1AP_n6×100%。（5）

式中：TP、FP和FN分別表示真正例、假正例和假負(fù)例；n表示第n種雜草。

2 結(jié)果與分析

2.1 模型訓(xùn)練過程

如圖6-a所示，改進YOLO v8模型的平均精度值均值在大約3次迭代后開始迅速提高，約在50次迭代時，模型的平均精度均值提高至98%左右。如圖6-b所示，改進YOLO v8模型的損失值在訓(xùn)練開始即快速降低，在模型訓(xùn)練至50次時降低至1.25以下。訓(xùn)練結(jié)果表明，改進的YOLO v8模型在訓(xùn)練過程中表現(xiàn)穩(wěn)定，模型在訓(xùn)練過程中沒有過擬合或欠擬合，并具有較強的泛化能力。

2.2 模型對比試驗

模型對比試驗可證明改進模型的有效性，因此本研究將提出的改進YOLO v8模型與目前流行的模型進行對比，結(jié)果見表2，本研究提出的改進YOLO v8模型的mAP可以達到98.2%，其mAP相比于YOLO v8模型提高了4.4百分點，而參數(shù)量和計算量相比YOLO v8僅有微小的增加。此外，本研究提出的改進YOLO v8模型的mAP相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7分別提高24.8、21.9、14.8、21.3、8.0百分點，在參數(shù)量和FLOPs方面總體來看也具有明顯的優(yōu)勢。

2.3 對不同光照條件下的雜草識別

在多云和晴天的不同光照條件下，雜草的顏色、紋理和形狀可能會發(fā)生顯著變化，導(dǎo)致識別準(zhǔn)確度降低。為了驗證改進YOLO v8模型對不同光照條件下雜草的識別效果，本研究通過調(diào)節(jié)測試圖像的亮度以模擬不同光照條件測試模型。如圖7所示，本研究分別將圖像的亮度降低和提高40%來模擬不同光照度。由圖8可以看出，在不同光照條件下的雜草所展現(xiàn)的顏色有明顯差異，這給模型的識別帶來了極大的挑戰(zhàn)。圖8顯示了使用亮度調(diào)節(jié)后的測試集測試改進YOLO v8模型的結(jié)果?？梢杂^察到，當(dāng)光線變強或變?nèi)鯐r，模型的檢測精度有所下降。盡管光照度的變化會影響雜草識別的準(zhǔn)確性，但P、R和mAP仍在88.1%以上，這表明改進YOLO v8模型在不同光照條件下具有較強的泛化能力。

2.4 改進YOLO v8模型的魯棒性測試

不同雜草在其生長過程中顏色和形態(tài)會有顯著的變化，而且雜草也經(jīng)常被水稻葉片所遮擋，這十分考驗?zāi)Ｐ偷姆夯芰汪敯粜?。如圖9所示，本研究使用鱧腸、千金子、異型莎草、水莧菜、稗和野慈姑的圖像來測試改進YOLO v8模型的魯棒性。觀察識別結(jié)果發(fā)現(xiàn)，圖像中被水稻葉片遮擋的鱧腸、千金子、稗和野慈姑可以被準(zhǔn)確地檢測，而且模糊圖像中的異型莎草也被準(zhǔn)確檢測出。當(dāng)水莧菜、千金子和異型莎草等多種雜草同時存在于同一圖像中時，改進YOLO v8模型仍然具有良好的識別能力。而且從表3的識別結(jié)果可以看出，改進的YOLO v8對復(fù)雜環(huán)境中的6種雜草實現(xiàn)了令人滿意的識別性能，P達到94.2％以上，R達到95.7％以上，AP均達到95.2％以上，這表明本研究提出的改進YOLO v8模型具有較強的魯棒性和泛化能力。

3 結(jié)論

本研究旨在開發(fā)一種輕量級的雜草識別模型。為實現(xiàn)這一目標(biāo)，本研究基于農(nóng)h674N6z4XnZB7X0mlLNnSUzIVUwvC1AFh6V0N8TR96Q=業(yè)大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)技術(shù)，收集了稻田中的雜草樣本，構(gòu)建了1個雜草數(shù)據(jù)集，并提出改進YOLO v8模型用于檢測稻田雜草。結(jié)果表明，改進YOLO v8模型能夠準(zhǔn)確識別稻田中的雜草種類，對測試集的mAP達到98.2％。改進YOLO v8模型對復(fù)雜環(huán)境中的雜草具有良好的識別準(zhǔn)確率，P均高于94.2％，R均高于95.7％。本研究提出的改進YOLO v8模型在輕量級屬性和模型大小等方面優(yōu)于其他深度學(xué)習(xí)模型，同時獲得了高準(zhǔn)確性，因此在精確噴藥和智能除草方面具有極高的潛力。

參考文獻：

［1］高 婷，王紅春，石旭旭，等. 水稻機械化插秧栽培及其草害防除［J］. 江蘇農(nóng)業(yè)科學(xué)，2013，41（9）：60-62.

［2］劉延剛，馬宗國，張明紅，等. 除草藥肥對稻田雜草的防效及水稻生長發(fā)育的影響［J］. 山東農(nóng)業(yè)科學(xué)，2013，45（3）：104-106.

［3］李璐存. 植保技術(shù)在小麥高產(chǎn)栽培中的有效應(yīng)用［J］. 種子科技，2023，41（13）：111-113.

［4］安小康，李富根，閆曉靜，等. 植保無人飛機施用農(nóng)藥應(yīng)用研究進展及管理現(xiàn)狀［J］. 農(nóng)藥學(xué)學(xué)報，2023，25（2）：282-294.

［5］申繼忠，余武秀. 作物保護面臨的挑戰(zhàn)和新技術(shù)進展［J］. 世界農(nóng)藥，2023，45（7）：1-18.

［6］張宇泉，曹正偉，錫林圖雅. 美國精準(zhǔn)農(nóng)業(yè)技術(shù)推廣經(jīng)驗及對我國啟示［J］. 上海農(nóng)業(yè)學(xué)報，2020，36（3）：119-125.

［7］劉 翔，何人可，季 鐵. 基于精準(zhǔn)農(nóng)業(yè)的農(nóng)產(chǎn)品綠色可持續(xù)設(shè)計研究［J］. 包裝工程，2021，42（8）：328-333.

［8］方向明，李姣媛. 精準(zhǔn)農(nóng)業(yè)：發(fā)展效益、國際經(jīng)驗與中國實踐［J］. 農(nóng)業(yè)經(jīng)濟問題，2018，39（11）：28-37.

［9］Pasqual G M. Development of an expert system for the identification and control of weeds in wheat，triticale，barley and oat crops［J］. Computers and Electronics in Agriculture，1994，10（2）：117-134.

［10］AhmadU，Kondo N，Arima S，et al. Weed detection in lawn field using machine vision［J］. Journal of the Japanese Society of Agricultural Machinery，1999，61（2）：61-69.

［11］毛文華，王一鳴，張小超，等. 實時識別行間雜草的機器視覺系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報，2003，19（5）：114-117.

［12］沈維政，張長利，劉振恒. 基于計算機視覺的田間雜草識別方法研究［J］. 農(nóng)機化研究，2006，28（7）：163-165.

［13］胡迎思，于 躍，朱鳳武. 基于圖像處理的田間雜草識別定位技術(shù)的研究［J］. 農(nóng)業(yè)與技術(shù)，2018，38（3）：17-20.

［14］Yu J L，Sharpe S M，Schumann A W，et al. Detection of broadleaf weeds growing in turfgrass with convolutional neural networks［J］. Pest Management Science，2019，75（8）：2211-2218.

［15］Babu V S，Ram N V. Deep residual CNN with contrast limited adaptive histogram equalization for weed detection in soybean crops［J］. Traitement du Signal，2022，39（2）：717-722.

［16］張 樂，金 秀，傅雷揚，等. 基于Faster R-CNN深度網(wǎng)絡(luò)的油菜田間雜草識別方法［J］. 激光與光電子學(xué)進展，2020，57（2）：304-312.

［17］李開敬，許 燕，周建平，等. 基于Faster R-CNN和數(shù)據(jù)增強的棉田苗期雜草識別方法［J］. 新疆大學(xué)學(xué)報（自然科學(xué)版）（中英文），2021，38（4）：450-456.

［18］鄧向武，齊 龍，馬 旭，等. 基于多特征融合和深度置信網(wǎng)絡(luò)的稻田苗期雜草識別［J］. 農(nóng)業(yè)工程學(xué)報，2018，34（14）：165-172.

［19］李 彧，余心杰，郭俊先. 基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：93-100.

［20］Peng H X，Li Z H，Zhou Z Y，et al. Weed detection in paddy field using an improved RetinaNet network［J］. Computers and Electronics in Agriculture，2022，199：107179.

［21］顏廷國. 農(nóng)業(yè)大數(shù)據(jù)環(huán)境下的農(nóng)作物病蟲害智能化監(jiān)測預(yù)警［J］. 農(nóng)業(yè)工程技術(shù)，2023，43（20）：51-52.

［22］Rakhmatulin I，Kamilaris A，Andreasen C. Deep neural networks to detect weeds from crops in agricultural environments in real-time：A review［J］. Remote Sensing，2021，13（21）：4486.

［23］Yang，S X，Yao J F，Teng G F. Corn leaf spot disease recognition based on improved YOLO v8［J］. Agriculture，2024，14（5）：666.

［24］Li J W，Qiao Y L，Liu S，et al. An improved YOLO v5-based vegetable disease detection method［J］. Computers and Electronics in Agriculture，2022，202：107345.

［25］周 濤，王 驥，麥仁貴. 基于改進YOLO v8的實時菠蘿成熟度目標(biāo)檢測方法［J/OL］. 華中農(nóng)業(yè)大學(xué)學(xué)報，2024：1-11（2024-04-24）［2024-05-10］. https：//link.cnki.net/urlid/42.1181.S.20240422.1423.006.