基于YOLOX一Nano的稻田空心蓮子草目標檢測方法研究

中圖分類號：S224.15；TP391.41 文獻標識碼：A 文章編號：2095-5553（2025）07-0173-08

Abstract：Alternanthera philoxeroides isan alieninvasivemalignant weedin rice fields，which competeswithrice sedlings for water，fertilizer，lightand growthspace before seedling closure，thusseriouslyafecting rice yield.At present，chemical herbicidesaremainlyusedtocontrolweeds.If indiscriminatesprayingofchemical herbicidesis usedin rice fields，it willnotonlypoluting the environment but also causingcertain phytotoxicity torice sedlings.With therapiddevelopmentofartificial intellgenceanddeep learning，itisposibletopreciselysprayherbicidesaccording to the regionallocationof weeds inricefields.Duetotheeficientreasoningabilityandfastiterationof theYOLOseries with one-stagetarget detection models，the seriesversion hasbecomesmaller in sizeandcan beeasilyembedded in mobile phonesorother terminal products.Thisarticle focuses on themalignant weed hollow lotus seed grass in paddy fields before the seedlings are sealedoff，and theYOLOX series areestablished.The performanceofYOLOX Nano in the YOLOX series is not optimal. Due to its smalest size among several versions of YOLOX，which could be easily embedded into mobile phones or other terminal products，the YOLOX Nano model in the YOLOX series was ultimately chosen. The YOLOv3，YOLOv4—tiny，YOLOv5—s，SSD，and YOLOX—Nano target detection networks were constructedand their performance were compared.The experimental results showed that the Recall，mAPand （20 F1 values of the YOLOX—Nano based target detection modelof Alternanthera philoxeroides were higher than those of the YOLOv3，YOLOv4—tiny，SSD，and YOLOv5—s，reaching 97.14% ， 96.72% and 93% ，respectively.Aiming at the slight oclusionand partiallysevere occlusionimage betweenseedlings and Alternanthera philoxeroides，thedetection effect of Alternanthera philoxeroides target detection model based on YOLOX—Nano is better than that of YOLOv3 YOLOv4—tiny， SSD，and YOLOv5—s.

Keywords：Alternanthera philoxeroides；paddy field；object detection；weed；YOLOX—Nano

0 引言

稻田空心蓮子草為外來入侵世界性惡性雜草，主要與封行前的水稻秧苗幼苗共同競爭水、肥、光和生長空間等資源，影響水稻秧苗的有效分蘗和生長，可減產45%^[1] 。由于空心蓮子草無性繁殖能力強，采取機械除草的方式不能有效對其進行去除，目前主要采用噴施化學除草劑的方式進行防治[2]。如果在稻田采用無差別的噴施化學除草劑，將對稻田無雜草區域和稻田秧苗進行無效噴施，不僅污染環境還對稻田秧苗產生一定的藥害。所以應針對有雜草的區域進行有效噴施除草劑，隨著人工智能和深度學習的快速發展[3，4]，根據稻田雜草的區域位置進行除草劑精準噴施已成為可能[5]。

由于深度學習強大的特征學習能力，如卷積神經網絡（CNN）通過卷積提取特征，因此目標檢測領域也得到快速發展，并在農業領域中得到應用。目前目標檢測算法具體分為一階段目標檢測算法和兩階段目標檢測算法，兩階段主要為R—CNN系列。首先Girshick等[8]提出了基于選擇性搜索算法的R—CNN目標檢測方法，雖然該方法準確率較傳統手工特征檢測有了很大的提高，但是R一CNN存在訓練慢且占用很大的磁盤空間等不足。為避免R—CNN的不足，FastR—CNN直接使用了softmax來代替傳統SVM分類器[9]，該方法在最后一層的卷積特征圖上進行建議區域特征提取，避免了R—CNN中需要多次重復卷積計算的難題，提高了速度和準確率。為避免FastR—CNN中selectivesearch方法定位所需大量時間消耗[10.11]，FasterR—CNN提出了一種快速生成更少且質量精度高的候選框的方法，即建議區域提取網絡 RPN^[12] 。彭明霞[13]、樊湘鵬[14]等將FasterR一CNN應用到田間復雜背景下棉田雜草識別，都取得很好的效果。李春明等[15］將FasterR—CNN雜草目標檢測算法部署到除草機器人，對清除草坪雜草具有很好的效果。

兩階段目標檢測算法主要分為兩部分，第一步是對可能存在的目標區域進行粗篩挑選，第二步是對第一步中粗篩目標進一步檢測以及邊界框進行分類和回歸。由于兩階段目標檢測算法分2個步驟進行，其檢測速度并不理想，為滿足目標檢測實時性應用需求，速度更快的一階段目標檢測算法被提出。一階段目標檢測算法主要為YOLO和SSD系列。SSD目標檢測算法采用基于回歸的設計思路，該方法通過在基礎網絡VGGNet上添加多個卷積層，并從多個卷積特征圖上對多個區域類別和邊界框進行回歸，較好地平衡了目標檢測的精度和效率。隨著YOLO相關算法的快速迭代，其精準性和實用性正在逐步提高，國內外學者基于YOLO算法對農作物雜草檢測的應用展開了研究。YOLO系列經過 多次迭代，薛金利等[16針對棉田雜草構建了不同分辨率的3個數據集，采用YOLOv3模型對不同數據集進行改進優化，試驗結果表明模型均可滿足生產需要。權龍哲等[采用YOLOv4對玉米 3～5 葉苗期雜草進行目標檢測，可以很好地檢測出玉米秧苗和雜草。YOLOv5在YOLOv4和YOLOv3基礎上對參數進行優化，權重文件體積進一步縮小，使得檢測性能大幅提升。YOLOv5[18，19]的特點是輸入端包含了YOLOv4相同的Mosaic數據增強和自適應錨框計算，Backbone模塊中加人Focus結構和CSP結構，Neck模塊中加入FPN + PAN 結構，Prediction模塊中加人GIOU_Loss。

由于稻田苗期秧苗行距和株距小，隨著秧苗移栽后返青的間隙[20-22]，給空心蓮子草繁衍提供時間和空間。隨著秧苗逐漸分蘗和雜草的生長，雜草和雜草之間、秧苗和雜草之間出現相互遮擋，這些因素給基于目標框的稻田雜草目標檢測帶來很大挑戰。目前的農田作物以及伴生雜草種類識別及區域位置檢測研究，大部分是關于旱田農作物的研究，而對水田雜草的研究相對較少。與旱地相比，水田環境存在更多的特殊性，例如背景比干旱地區更為復雜，而且存在著反光、倒影等問題，在水田環境下對農作物以及伴生雜草的種類識別和位置定位存在更多的干擾信息。通過國內外學者基于深度學習和機器視覺技術對農作物以及伴生雜草檢測的研究現狀進行分析，這些研究的結果為深度學習模型應用于水稻雜草目標檢測提供了可行性依據。深度學習模型在特征提取方面比傳統機器視覺識別更為優異，并且能夠保持良好的實時性和精準度，可為小型嵌入式除草設備的靶向施藥提供技術支持。

YOLOX[23]將目標檢測領域成熟的訓練技巧和方法與YOLO進行巧妙地集成組合（比如解耦頭、數據增廣、標簽分配、Anchor—free機制等），發現YOLOX性能取得大幅度提升，并保持了YOLO系列高效推理能力。YOLOX—Nano在YOLOX幾個版本中體積最小，可方便嵌入手機或其他終端產品，所以本文基于YOLOX—Nano算法框架對稻田苗期空心蓮子草目標檢測方法進行研究。

1材料與方法

1.1空心蓮子草圖像采集

稻田空心蓮子草圖像樣本在水稻移栽后15天進行采集，在采集雜草圖像時水稻秧苗還未封行，共得到200張圖像，通過尺寸變換統一到640像素 ×640 像素，以便于后期相關處理，每幅圖像中包含一個或多個空心蓮子草目標，且雜草目標大小不一致。采集圖像如圖1所示。

圖1稻田苗期空心蓮子草圖像 Fig. 1 Alternanthera philoxeroides images in the paddy field

1.2雜草目標檢測流程

稻田苗期空心蓮子草自標檢測流程如圖2所示。

1）首先獲取自然水田環境下稻田苗期雜草空心蓮子草的RGB樣本圖像。

2）對稻田苗期空心蓮子草圖像進行人工目標框標注，并形成對應的目標標簽樣本圖像；隨機選取 80% 的空心蓮子草RGB樣本圖像及其對應的標簽樣本圖像作為訓練樣本，其余 20% 的樣本圖像為測試樣本。

3）構建基于YOLOX—Nano 模型的稻田苗期空心蓮子草目標檢測模型。

4）通過空心蓮子草RGB樣本圖像和對應的目標框標簽樣本圖像對模型進行訓練；利用空心蓮子草圖像目標檢測模型對空心蓮子草進行位置檢測，輸出稻田空心蓮子草的目標框位置檢測結果，實現稻田苗期空心蓮子雜草圖像的位置檢測；然后基于測試集對各個目標檢測模型進行測試分析。

1.3基于YOLOX—Nano的空心蓮子草目標檢測模型

YOLO目標檢測模型系列中，YOLOv4版本之后開始選用深度卷積神經網絡CSPDarknet提取雜草圖像的深度特征，然后利用區域框提取算法定位雜草在圖像中的具體位置，再通過卷積提取的特征具體識別雜草的類別。YOLOX—Nano目標檢測模型經過Δv1～v5 系列的多次迭代，其體積、精度和檢測速度在眾多一階段目標檢測模型中表現優異，所以選擇YOLOX—Nano算法框架對稻田苗期空心蓮子草的目標檢測方法進行研究。

YOLOX—Nano 算法和YOLOv5 算法類似，整個YOLOX—Nano模型結構可以分為3個部分，分別是CSPDarknet主干網絡、FPN加強特征提取網絡以及YOLOHead檢測頭，如圖3所示。其中Neck網絡采用FPN[24，25]和PAN[26，27]增強對多尺度目標的檢測；YOLOHead網絡對Neck傳遞的特征進行預測并生成3個不同尺度（5，9，13）的特征圖。

1.3.1 CSPDarknet主干網絡

輸人圖片首先在CSPDarknet網絡中進行特征提取，提取到的特征可以被稱作特征層，是輸人圖片的特征集合。在主干網絡部分獲取維度分別為 80×80× 256AA.40×40×512 和 20×20×1024 三個特征層，并進行下一步網絡構建。

1.3.2 FPN加強特征提取網絡

主干部分獲得的3個有效特征層在FPN進行特征融合，特征融合的目的是結合多尺度的特征信息，將已獲得的有效特征層用于繼續提取特征。在YOLOX—Nano里同樣使用YOLOv4中的Panet結構，不僅會對特征進行上采樣以實現特征融合，還會對特征再次進行下采樣進而實現特征融合。FPN + PAN結構如圖4所示，其中FPN為自頂向下的結構，其通過下采樣方式將強語義特征信息進行傳遞融合得到預測的特征圖； PAN^[28] 為自下而上的結構，其通過上采樣方式將低分辨率特征圖中的特征信息進行傳遞融合得到高維度的特征圖。

圖5Mosaic數據增強Fig.5Mosaic data enhancement

1.3.3 YOLO Head

YOLOHead為YOLOX—Nano的分類器與回歸器。通過CSPDarknet和FPN網絡的特征體提取，并上下采樣和特征融合，獲得3個加強過的有效特征層，再通過YOLOHead檢測頭進行目標檢測。YOLOHead被分為兩部分，分別實現對物體的分類和預測框的回歸，最后將預測模塊整合在一起。整個YOLOX網絡所做的工作就是特征提取 + 特征加強 + 預測特征點對應的物體情況。

CSPDarknet中堆疊多個 SPPBottleneck模塊，SPPBottleneck模塊包含2個Conv操作。SPPBottleneck子網絡模塊功能是擴大網絡的感受野，輸入特征圖先經Conv模塊后其通道數量減半，再采用 5×5、9×9、13× 13三種不同卷積核的最大池化操作得到3種特征圖，最后拼接特征圖，再通過Conv模塊輸出特征圖。

YOLOX—Nano輸人部分數據增強使用與YOLOv4和YOLOv5s相同的Mosaic數據增強方法[29]。如圖5所示，Mosaic數據增強通過將多張圖像隨機放大、隨機裁剪、隨機排序等方法，并集中訓練，使預測背景更加復雜，從而增強模型的泛化能力，對訓練小規模數據集有更好的預測結果。

1.4目標檢測模型評價指標

目標檢測模型的性能優劣，可以從分類的精度方面來評估：準確度（Accuracy）、精確率（Precision）、召回率（Reca）、平均精度（ AP ）、平均精度均值（mAP ）、模型每秒處理的幀數（幀率）和 F1 值。

召回率Reca的具體含義是：分類器檢測為正確并且確實是正類的數量占所有確實是正類的數量比例，是評價分類器檢測正樣本的能力。其計算如式（1）所示。

精確率Precision是所有檢測出目標中檢測正確的概率，其計算如式（2）所示。

準確度（Accuracy）是所有預測中預測正確的比例，其計算如式（3）所示。

式中： TP （2號 被正確分類的正樣本；TN 被正確分類的負樣本；FP 被錯誤分類的負樣本；FN （2 被錯誤分類的正樣本。

交并比 IoU 計算的是“預測的邊框”和“真實的邊框\"的交集Intersection和并集Union的比值，示意如圖6所示。

圖6IoU計算示意圖

Fig.6 IoU calculation schematic diagram

PR 曲線，即橫軸為Recall，豎軸為Precision。而AP 表示的是檢測器在各個Recal情況下的平均值，對應的就是 PR 曲線下的面積 AUC 。從離散的角度來說， AP 表達如式（4）所示。

mAP 是從類別維度對 AP 進行平均，因此可以評價多分類器的性能。 mAP 值范圍為 [0，1]，mAP 值越大，表示性能越好。該指標也是目標檢測算法中最關鍵的一項。其計算如式（5）所示。

式中：num_classes 目標類別數量。

F1 值是Precision和Recall的調和平均數，F1 值位于[0，1]，數值越大，表明模型越理想。其計算如式（6）所示。

2 試驗結果與分析

2.1 開發環境

模型訓練環境：操作系統Windowsl064位；虛擬環境搭建使用Anaconda;Python編譯器為PyCharm;數據集標注使用精靈標注助手記錄稻田雜草樣本的Box信息；GPU為 gtx1080Ti ，具有11G顯存；深度學習框架為PyTorch1.2.0。

2.2 YOLOX—Nano模型訓練結果

召回率（Recal）曲線如圖7（a）所示。曲線表示當閾值一定時，算法模型預測出的正確框數量與所有真實框數量的比值大小。閾值越大時，若模型依然能保持高的召回率，證明算法模型對數據集的檢測效果非常好。可以看出，YOLOX—Nano算法模型可以在高閾值情況下保持高的召回率。

精確率（Precision）曲線如圖7（b）所示。曲線表示當閾值一定時，算法模型預測出的正確框數量與所有預測框（包含正確和不正確）的比值大小。閾值越小時，若模型依然能保持高的準確度，證明算法模型對數據集的檢測效果非常好。由圖7（c）可知，YOLOX—Nano模型也可以保持一定閥值范圍的高準確度。當召回率 R 一定時，精確率 P 的大小、 PR 曲線左下方的面積大小代表模型對數據集的效果， PR 曲線包含絕大部分的面積，所以訓練好的YOLOX—Nano模型對數據集的預測效果非常好。

YOLOX—Nano模型的 F1 值曲線如圖7（d）所示。為了能評價不同算法的優劣，在Precision和Recal的基礎上提出 F1 值的概念，來對Precision和Recal進行整體評價。當 F1 值的曲線包含的面積越多時，模型對數據集檢測效果越好。如圖7（d）所示，YOLOX—Nano算法在 F1 值曲線評估中效果很好。

2.3 目標檢測結果

對 YOLOX 系列中 YOLOX—s、YOLOX—tiny、YOLOX- m 和YOLOX—Nano算法進行性能對比，實驗結果如表1所示，YOLOX系列中各目標檢測模型的Recall、mAP、F1值、Precision值都相差不大，但幀率值和模型大小（Modelsize）相差很大。雖然YOLOX- m 模型的幀率值最小，但其Modelsize最大；雖然YOLOX—Nano在YOLOX系列性能不是最優，但是YOLOX—Nano在YOLOX幾個版本中體積最小，方便嵌入手機或其他終端產品，最終選擇YOLOX系列中的YOLOX—Nano模型。

表1YOLOX系列中不同模型雜草目標檢測性能Tab.1Detectionperformance of YOLOX series

對一階段目標檢測模型YOLO系列中YOLOv3、YOLOv4—tiny、YOLOv5—s、SSD 和YOLOX—Nano 算法進行性能對比，實驗結果如表2所示，基于YOLOv3的空心蓮子草目標檢測模型Precision值高于YOLOv4—tiny、YOLOv5—s、SSD 和 YOLOX—Nano 模型，但基于YOLOX—Nano的空心蓮子草目標檢測模型Recall、mAP、 F1 值都高于 YOLOv3、YOLOv4—tiny、SSD和YOLOv5—s，分別達到 97.14%.96.72%.93% 雖然YOLOv3模型的幀率值最小，但其Modelsize值最大；雖然YOLOv4—tiny模型的Modelsize值最小，但其幀率值最大。通過所有不同模型空心蓮子草目標檢測性能的綜合比較發現，YOLOX—Nano模型空心蓮子草目標檢測性能最優。

由于稻田秧苗行距和株距小，秧苗和空心蓮子草之間會不可避免地存在不同程度的相互遮擋。針對上述情況，輕微遮擋檢測結果如圖8所示，部分嚴重遮擋檢測結果如圖9所示。基于YOLOX—Nano的空心蓮子草目標檢測模型檢測效果好于YOLOv3、YOLOv4—tiny、SSD和YOLOv5—s。如圖8（a）和圖9（a）所示，YOLOX—Nano模型檢測出所有雜草目標；如圖8（b）和圖9（b）所示，YOLOv3模型沒有檢測出雜草目標；如圖8（c）和圖9（c）所示，YOLOv4—tiny模型僅檢測出1個雜草目標；如圖8（d）和圖9（d）所示，YOLOv5—s模型有2個雜草目標沒有檢測出來；如圖8（e所示，SSD模型檢測出3個雜草目標；如圖9（e）所示，SSD模型只檢測出3個輕微遮擋的雜草目標，另外3個部分嚴重遮擋的雜草目標沒有檢測出來。通過綜合性能對比發現，YOLOX—Nano針對輕微遮擋和部分嚴重遮擋的空心蓮子草目標檢測模型檢測效果最優。

表2不同模型空心蓮子草目標檢測性能 Tab.2 Detection performance of Alternanthera philoxeroides in different models

圖8輕微遮擋條件下不同模型檢測結果

Fig.8Detection results of different models under slight occlusion

圖9部分嚴重遮擋條件下不同模型檢測結果

Fig.9Detection results of different models under serious occlusion

3結論

1）獲取自然水田環境下稻田苗期雜草空心蓮子草的RGB樣本圖像，對稻田苗期空心蓮子草圖像進行人工目標框標注，并形成對應的目標標簽樣本圖像；針對YOLOX一階段目標檢測模型系列，進行性能對比，雖然YOLOX—Nano在YOLOX系列性能不是最優，但是YOLOX—Nano在YOLOX幾個版本中體積最小，可方便嵌入手機或其他終端產品，所以最終選擇YOLOX系列中的YOLOX—Nano模型。

2）構建YOLOv3、YOLOv4—tiny、YOLOv5—s、SSD和YOLOX—Nano空心蓮子草目標檢測網絡，并進行性能對比。實驗結果表明，基于YOLOX—Nano的空心蓮子草目標檢測模型Reca、mAP、 F1 值都高于YOLOv3、YOLOv4—tiny和YOLOv5—s，分別達到 97.14%.96.72%.93% 。

3）針對秧苗和空心蓮子草之間不同程度輕微遮擋和部分嚴重遮擋的相互遮擋圖像，基于YOLOX一Nano的空心蓮子草目標檢測模型檢測效果好于YOLOv3、YOLOv4—tiny、SSD 和 YOLOv5—s。

參考文獻

[1］葉照春，陳仕紅，冉海燕，等．空心蓮子草對草甘麟的敏感性測定[J].農藥，2020，59（12）：925-927.

[2]呂沐華，丁珠玉．基于機器視覺的果園噴藥除草機器人視覺系統設計[J].中國農機化學報，2021，42（5）：42-48.Lü Muhua，Ding Zhuyu.Design of visual systems fororchardsprayingweedingrobotbasedonmachinevision[J]. Journal of Chinese Agricultural Mechanization，2021，42（5）：42-48.

[3]李東升，胡文澤，蘭玉彬，等．深度學習在雜草識別領域的研究現狀與展望[J].中國農機化學報，2022，43（9）：137—144.LiDongsheng，Hu Wenze，Lan Yubin，et al.Researchstatus and prospect of deep learning in weed recognition [J].Journal of Chinese Agricultural Mechanization，2022，43（9）：137—144.

[4]付豪，趙學觀，翟長遠，等．基于深度學習的雜草識別方法研究進展[J]．中國農機化學報，2023，44（5）：198-207.Fu Hao，Zhao Xueguan，Zhai Changyuan，et al. Researchprogress on weed recognition method based on deeplearningtechnology[J].Journalof ChineseAgriculturalMechanization，2023，44（5）：198—207.

[5]邢欽淞，丁素明，薛新宇，等．智能田間除草機器人發展現狀研究[J]．中國農機化學報，2022，43（8）：173—181.XingQinsong，Ding Suming，Xue Xinyu，et al. Researchon the development starts of intelligent fieldweedingrobot[J].Journal of Chinese Agricultural Mechanization，2022，43（8）：173—181.

[6］姚思雨，王磊，張宏文．基于CNN的棉田雜草識別方法[J]．石河子大學學報（自然科學版），2023，41（1）：21-26.Yao Siyu，Wang Lei，Zhang Hongwen.Weed identificationmethod in cotton field based on CNN[J].Journal of ShiheziUniversity（NaturalScience），2023，41（1）：21-26.

[7］胡煉，劉海龍，何杰，等．智能除草機器人研究現狀與展望[J]．華南農業大學學報，2023，44（1）：34—42.Hu Lian，Liu Hailong，He Jie，et al. Research progress andprospect of intelligent weeding robot [J].Journal of SouthChina Agricultural University，2023，44（1）：34－42.

[8]Girshick R，DonahueJ，DarrellT，etal.Richfeature hierarchies for accurate object detection andsemantic segmentation [C]. Proceedings of the IEEEConference on Computer Vision and Pattern Recognition，2014：580-587.

[9］李曉光，付陳平，李曉莉，等．面向多尺度目標檢測的改進Faster R—CNN算法[J]．計算機輔助設計與圖形學學報，2019，31（7）：1095—1101.Li Xiaoguang，Fu Chenping，Li Xiaoli，et al.ImprovedFaster R—CNN for multi-scale object detection [J].Journal of Computer-Aided Design amp;. Computer Graphics，2019，31（7）：1095—1101.

[10]Uijlings JR R， Sande K E A， Gevers T，et al. Selective searchforobject recognition [J].International Journal of ComputerVision，2013，104（2）：154—171.

[11] Cao C，Wang B，Zhang W，et al.An improved FasterR-CNN for small object detection [J]. IEEE Access，2019，7：106838—106846.

[12］黃書琴，黃福樂，羅柳茗，等．基于FasterR—CNN的蔗田雜草檢測算法研究［J]．中國農機化學報，2024，45（6）：208-215.Huang Shuqin， Huang Fule， Luo Liuming， etal.Research on weed detection algorithm in sugarcane fieldbased on Faster R-CNN[J]. Journal of ChineseAgriculturalMechanization，2024，45（6）：208-215.

[13］彭明霞，夏俊芳，彭輝．融合FPN的FasterR—CNN復雜背景下棉田雜草高效識別方法[J]．農業工程學報，2019，35（20）：202—209.Peng Mingxia， Xia Junfang， Peng Hui. Efficientrecognition of cotton and weed in field based on FasterR—CNN by integrating FPN[J]. Transactions of theChinese Society of Agricultural Engineering，2019，35（20）：202-209.

[14]樊湘鵬，周建平，許燕，等．基于優化FasterR—CNN的棉花苗期雜草識別與定位[J]．農業機械學報，2021，52（5）：26-34.Fan Xiangpeng， Zhou Jianping， Xu Yan， et al.Identification and localization of weeds based on optimizedFaster R—CNN in cotton seedling stage[J]. Transactionsof the Chinese Society for Agricultural Machinery，2020，52（5）： 26-34

[15]李春明，逯杉婷，遠松靈，等．基于FasterR—CNN的除草機器人雜草識別算法[J]．中國農機化學報，2019，40（12）：171—176.Li Chunming，Lu Shanting，Yuan Songling，et al.Weed identification algorithm of weeding robot based onFaster R—CNN[J]. Journal of Chinese AgriculturalMechanization，2019，40（12）：171—176.

[16]薛金利，戴建國，趙慶展，等．基于低空無人機影像和YOLOv3實現棉田雜草檢測[J]．石河子大學學報（自然科學版），2019，37（1）：21-27.Xue Jinli，Dai Jianguo，Zhao Qingzhan，et al. Cotton fieldweed detection based on low-altitude drone image andYOLOv3[J]. Journal of Shihezi University （NaturalScience），2019，37（1）：21-27.

[17］權龍哲，夏福霖，姜偉，等．基于YOLOv4 卷積神經網絡的農田苗草識別研究［J]．東北農業大學學報，2021，52（7）：89-98.Quan Longzhe，Xia Fulin， Jiang Wei，et al. Researchon recognition of maize seedlings and weeds in maize mieldbased on YOLOv4 convolutional neural network [J].Journalof Northeast Agricultural University，2021，52（7）：（2 89-98 ：

[18］尚鈺瑩，張倩如，宋懷波．基于YOLOv5s的深度學習在自然場景蘋果花朵檢測中的應用[J]．農業工程學報，2022，38（9）：222-229.Shang Yuying，Zhang Qianru，Song Huaibo. Applicationof deep learning using YOLOv5s to apple flowerdetection in natural scenes [J]. Transactions of theChinese Society of Agricultural Engineering， 2022，38（9）：222-229.

[19]孫豐剛，王云露，蘭鵬，等．基于改進YOLOv5s和遷移學習的蘋果果實病害識別方法[J]．農業工程學報．2022，38（11）：171—179.Sun Fenggang， Wang Yunlu，Lan Peng，etal.Identification of apple fruit diseases using improvedYOLOv5s and transfer learning [J]. Transactions of theChinese Society of Agricultural Engineering，2022，38（11）：171—179.

[20］蘇宇，肖志云，鮑鵬飛．采用改進YOLOv5s檢測牧區牲畜[J].農業工程學報，2023，39（24）：165－176.Su Yu，Xiao Zhiyun，Bao Pengfei. Livestock detection inpastoralareasusingimprovedYOLOv5s[J].Transactions of the Chinese Society of Agricultural，2023，39（24）：165-176.

[21]朱圣，鄧繼忠，張亞莉，等．基于無人機低空遙感的水稻田間雜草分布圖研究[J]．華南農業大學學報，2020，41（6）：67-74.Zhu Sheng，Deng Jizhong，Zhang Yali，et al.Studyon distribution map of weeds in rice field based onUAV remote sensing [J]. Journal of South ChinaAgricultural University，2020，41（6）：67-74.遜扒 近日本 笙 焦成學習的稻田雜草識別研究[J]．廣東石油化工學院學報，2021，31（4）：40-44.DengXiangwu， Liang Song， XuYijie，etal.Weeds recognition in paddy fields based on subspaceensemble learning ［J]. Journal of Guangdong Universityof Petrochemical Technology，2021，31（4）： 40-44 ：

[23] Ge Z，Liu S， Wang F，et al. YOLOX：ExceedingYOLO series in 2021 [J]. arXiv preprint arXiv：2107.08430，2021.

[24］陳禹，吳雪梅，張珍，等．基于改進YOLOv5s的自然環境下茶葉病害識別方法[J]．農業工程學報，2023，39（24）：185-194.Chen Yu，Wu Xuemei，Zhang Zhen，et al.Methodforidentifyingtea diseasesinnatural environmentusing improved YOLOv5s [J]. Transactions of theChinese Society of Agricultural Engineering，2023，39（24）：185-194.

[25]章權兵，胡姍姍，舒文燦，等．基于注意力機制金字塔網絡的麥穗檢測方法[J]．農業機械學報，2021，52（11）：253-262.Zhang Quanbing，Hu Shanshan，Shu Wencan， etal.Wheatspikesdetectionmethodbased onpyramidal networkofattentionmechanism[J].Transactions of the Chinese Society for AgriculturalMachinery，2021，52（11）：253－262.

[26]杜甜甜，南新元，黃家興，等．改進RegNet識別多種農作物病害受害程度[J]．農業工程學報，2022，38（15）：150-158.Du Tiantian， Nan Xinyuan， Huang Jiaxing， et al.Identifying the damage degree of various crop diseasesusing an improved RegNet [J]. Transactions of theChinese Society of Agricultural Engineering，2022，38（15）：150—158.

[27］曾安，彭杰威，劉暢，等．基于多尺度幾何感知Transformer的植物點云補全網絡[J]．農業工程學報，2022，38（4）：198-205.Zeng An，Peng Jiewei， Liu Chang， et al.Plantpoint cloud completion network based on multi-scalegeometry-awarepointTransformer[J].Transactions of the Chinese Society of AgriculturalEngineering，2022，38（4）：198-205.

[28] Viola P A，Jones M J. Rapid object detection using aboosted cascade of simple features [C]. Proceedings of theIEEE International Conference on Computer Visionand Pattern Recognition，20ol：51l—518.

[29］胡嘉沛，李震，黃河清，等．采用改進 YOLOv4—Tiny模型的柑橘木虱識別[J]．農業工程學報，2021，37（17）：197-203.Hu Jiapei，Li Zhen，Huang Heqing，et al.Citruspsylliddetectionbasedon limproved YOLOv4-Tiny model [J].Transactions of the Chinese Society ofAgricultural Engineering，2021，37（17）：197-203.