YOLOv 8 n-SSDW:一种用于田间稗草检测的轻量化高精度模型

速读：稗草是稻田典型恶性杂草，其与水稻争夺养分、传播病虫害，导致全球水稻年产量减少10%-30%。该区域地形平坦，但田间环境复杂，存在杂草隐蔽、植株相互遮挡、背景昏暗等情况，能模拟真实稻田的复杂检测场景，为模型训练和验证提供了贴合实际的环境条件。通过融合坐标信息、可分离卷积与残差连接，在精准提取稗草位置特征的同时大幅减少模型参数，兼顾检测精度与轻量化需求。改进的YOLOv8n-SSDW模型通过引入WIoU损失函数、SEAM注意力机制与SRCConv轻量卷积模块，在显著降低参数量和计算量的同时，提高了稻田稗草检测的精度与mAP；

来源：Agriculture 发布时间：2026/5/19 14:02:5

YOLOv8n-SSDW: 一种用于田间稗草检测的轻量化高精度模型 | MDPI Agriculture

论文标题：YOLOv8n-SSDW: A Lightweight and Accurate Model for Barnyard Grass Detection in Fields

论文链接： https://www.mdpi.com/2077-0472/15/14/1510

期刊名： Agriculture

期刊主页： https://www.mdpi.com/journal/agriculture

一、引言

稗草是稻田典型恶性杂草，其与水稻争夺养分、传播病虫害，导致全球水稻年产量减少10%-30%。传统除草方式存在效率低下、污染环境等弊端，精准除草的推进亟需高效的稗草识别技术。但现有的深度学习检测模型普遍参数规模大、计算复杂度高，难以部署于无人机等农业边缘设备，且稗草与水稻形态相似度高，田间场景中遮挡、重叠现象突出，进一步加大了检测难度。本研究通过构建稗草专属数据集，提出轻量化YOLOv8n-SSDW模型，在提升检测精度的同时适配农业边缘设备，为精准除草提供关键技术支撑，既能减少资源浪费与环境破坏，也为同类杂草检测研究提供参考，助力农田杂草智能化管理发展。

二、材料与方法

研究区域与材料：研究区域为辽宁海城市某水稻试验田，面积达17724.4 m 2 。该区域地形平坦，但田间环境复杂，存在杂草隐蔽、植株相互遮挡、背景昏暗等情况，能模拟真实稻田的复杂检测场景，为模型训练和验证提供了贴合实际的环境条件。数据材料来自上述试验田，通过DJI M300 RTK无人机搭载Zenmuse P1高清相机采集图像。经图像对齐、裁剪、筛选后得到728幅有效图像，经LabelMe标注及数据增强技术将数据集扩充三倍，按7:2:1比例划分为训练、验证和测试集，为模型训练提供充足数据支撑。

研究方法：以YOLOv8n为基线模型，重点设计SRCConv轻量化卷积模块——通过融合坐标信息、可分离卷积与残差连接，在精准提取稗草位置特征的同时大幅减少模型参数，兼顾检测精度与轻量化需求。同时简化其他优化：引入优化后的SEAM注意力机制、融入Dysample上采样模块、采用WIoU损失函数，分别提升边缘特征敏感度、增强特征图分辨率及优化检测框回归。通过消融实验、多模型对比及无人机田间测试验证模型性能。

图1. SRCConv网络结构图

理论框架：本研究以YOLOv8n为基础架构，构建“轻量化+高精度”协同的稗草检测体系：核心嵌入SRCConv模块，通过坐标信息融合、可分离卷积与残差连接优化特征提取，实现参数精简与定位精准的平衡；辅以优化后的SEAM注意力机制、Dysample上采样模块及WIoU损失函数，分别强化边缘特征捕捉、提升特征图分辨率、优化检测框回归精度。整体理论框架聚焦田间复杂场景适配性，通过模块协同优化，在降低计算复杂度的同时提高了模型整体的检测性能。

图2. YOLOv8n-SSDW网络结构图

三、分析与结果

结论一：实验结果显示，YOLOv8n-SSDW模型较基线YOLOv8n，mAP_50提升2.2%至0.851，精度提升3.8%至0.867，召回率提升0.6%至0.755；同时参数减少10.6%、FLOPs降低9.8%、模型体积缩减11.1%至5.6 MB。

(a) P, R 曲线对比

(b) mAP 曲线对比

图3 YOLOv8n-SSDW与YOLOv8n训练过程曲线对比

结论二：在田间遮挡、光照不均、稗草与水稻形态混淆等复杂场景中，YOLOv8n-SSDW的漏检率、误检率显著低于YOLOv5 ~ YOLOv11系列其他模型，其综合性能在所有对比模型中排最优。

(a) 迷你版性能对比

(b) 小版本性能对比

(d) YOLOv8n-SSDW和YOLOV8n的比较

图4 与YOLO系列其他版本模型对比

结论三：将模型部署于无人机进行实地测试，单图平均检测时间仅0.05秒，对643株稗草的检测准确率达85.9%，虽因飞行振动、气流干扰较实验室精度（86.7%）略有下降，但总体基本满足实用需求。

图5 基于无人机的田间杂草计数测试

四、讨论

基于实验分析与田间验证，研究提出以下核心命题：

1. 改进的YOLOv8n-SSDW模型通过引入WIoU损失函数、SEAM注意力机制与SRCConv轻量卷积模块，在显著降低参数量和计算量的同时，提高了稻田稗草检测的精度与mAP；

2. WIoU的自适应加权机制有效地优化了边界框回归，SEAM注意力增强了复杂背景下模型对稗草特征的聚焦能力，SRCConv借助坐标卷积与残差连接在轻量化的前提下维持了高检测精度，各模块的独立贡献已通过消融实验得到验证；

3. 模型在参数大幅减少时仍会出现识别精度下降，且在强风、沙尘等极端天气下检测稳健性明显不足，跨地域、跨水稻品种的泛化能力亦需进一步检验；

4. 将YOLOv8n-SSDW与无人机抗振成像、光谱特征识别以及物联网技术相融合，有望提升复杂环境下的适应能力，并实现对田间杂草的实时远程监控，进而推动智慧农业实践。

五、展望与结论

研究指出，未来应进一步优化轻量级卷积模块，在降低参数量的同时更好地保持特征信息，可借鉴新型轻量化网络结构；应通过采集极端天气与复杂环境下的图像扩充训练集，以增强模型的稳健性；还需在不同地域和多个水稻品种中开展田间测试，利用异质性数据持续完善模型的泛化性能。同时，可加强模型与无人机飞行控制、光谱成像及物联网等技术的深度整合，构建更加一体化、智能化的稻田杂草监测系统，以满足精准农业的实际需求。

研究总结认为，所提出的YOLOv8n-SSDW模型为稻田稗草检测提供了一种新型轻量高效解决方案，其mAP_50达0.851，模型大小仅5.6 MB，综合性能优于基线模型及同类YOLO系列模型。尽管在无人机实地测试中因振动与气流干扰导致精度略有下降，但整体表现仍满足复杂稻田场景的稗草检测要求，初步验证了其可行性。随着模型结构的进一步优化与环境适应能力的增强，该技术将在农业杂草治理中发挥更加重要的作用。

引用格式：

Sun, Y.; Guo, H.; Chen, X.; Li, M.; Fang, B.; Cao, Y. YOLOv8n-SSDW: A Lightweight and Accurate Model for Barnyard Grass Detection in Fields. Agriculture 2025 , 15 , 1510.

期刊介绍

主编：Les Copeland, The University of Sydney, Australia

期刊主题涵盖作物科学与技术、畜牧生产、农产品质量与安全、农业经济与管理、农业工程与技术等农学领域各个方面。

2024 Impact Factor：3.6

2024 CiteScore：6.3

Time to First Decision：18.8 Days

Acceptance to Publication：1.9 Days

主题：模型|稗草|轻量化|YOLOv8n-SSDW|SEAM注意力机制