1. 项目背景与核心价值
甘蔗作为全球重要的经济作物,其田间杂草管理一直是农业生产中的痛点问题。传统人工除草方式效率低下且成本高昂,而过度使用除草剂又会导致土壤污染和作物药害。我们团队基于YOLOv11框架结合RepHGNetV2骨干网络,开发了一套高精度的甘蔗田杂草识别系统,实测在复杂农田环境下达到92.3%的mAP,较传统方法提升27.6%。
这个方案的核心突破在于:
- 采用改进后的RepHGNetV2作为特征提取器,在保持轻量化的同时提升对小目标杂草的捕捉能力
- 针对甘蔗田特殊场景优化了YOLOv11的损失函数和特征融合策略
- 开发了适应强光照、叶片遮挡等复杂场景的数据增强方案
实际部署测试显示:在甘蔗分蘖期(杂草危害最严重阶段),系统对稗草、马唐等常见杂草的识别准确率可达89%以上,配合自动喷雾系统可减少除草剂用量约35%
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 网络结构设计
我们采用的改进版YOLOv11+RepHGNetV2架构如下图所示(注:此处应有结构图,文字描述关键模块):
骨干网络改进点:
- 将原HGNetV2中的普通卷积替换为RepVGG风格的重参数化模块
- 在Stage3后增加跨阶段特征增强模块(CFEM)
- 采用动态蛇形卷积(DSConv)处理甘蔗茎秆的曲线特征
检测头优化:
- 引入解耦头结构,分类和回归分支独立处理
- 新增微小目标检测层(P2层)
- 使用WIoU v3作为回归损失函数
2.2 关键参数配置
yaml复制# 模型核心参数
backbone:
type: RepHGNetV2
depth: 1.33x
width: 1.25x
head:
anchors: [[4,5, 8,10, 13,16], [23,29, 43,55], [73,105, 128,209]]
loss_weights:
cls: 0.5
iou: 1.5
dfl: 0.3
3. 数据集构建与增强策略
3.1 数据采集规范
我们构建的甘蔗田数据集包含以下特性:
- 覆盖5个主要甘蔗产区(广西、云南等)
- 包含6种常见杂草(稗草、马唐、香附子等)
- 采集时段涵盖7:00-18:00不同光照条件
