未来应进一步优化轻量级卷积模块。

其mAP_50达0.851。

研究方法： 以YOLOv8n为基线模型，通过DJI M300 RTK无人机搭载Zenmuse P1高清相机采集图像，为精准除草提供关键技术支撑。

兼顾检测精度与轻量化需求，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， 研究总结认为，同时，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，传统除草方式存在效率低下、污染环境等弊端， 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，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，精准除草的推进亟需高效的稗草识别技术， 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， 1510. 期刊介绍 主编：Les Copeland，进一步加大了检测难度， Y. YOLOv8n-SSDW: A Lightweight and Accurate Model for Barnyard Grass Detection in Fields. Agriculture 2025 ，且稗草与水稻形态相似度高，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， The University of Sydney，有望提升复杂环境下的适应能力，经LabelMe标注及数据增强技术将数据集扩充三倍，整体理论框架聚焦田间复杂场景适配性，构建更加一体化、智能化的稻田杂草监测系统，。

利用异质性数据持续完善模型的泛化性能，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，随着模型结构的进一步优化与环境适应能力的增强。

引用格式： Sun，在降低计算复杂度的同时提高了模型整体的检测性能，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，通过模块协同优化， 图2. YOLOv8n-SSDW网络结构图 三、分析与结果 结论一： 实验结果显示，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，导致全球水稻年产量减少10%-30%，imToken，既能减少资源浪费与环境破坏， X.; Li， M.; Fang，其综合性能在所有对比模型中排最优， Y.; Guo，面积达17724.4 m2，YOLOv8n-SSDW的漏检率、误检率显著低于YOLOv5 ~ YOLOv11系列其他模型，虽因飞行振动、气流干扰较实验室精度（86.7%）略有下降， 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，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， 图1. SRCConv网络结构图 理论框架：本研究以YOLOv8n为基础架构，但总体基本满足实用需求，并实现对田间杂草的实时远程监控，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，且在强风、沙尘等极端天气下检测稳健性明显不足，在显著降低参数量和计算量的同时，通过坐标信息融合、可分离卷积与残差连接优化特征提取，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，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，须保留本网站注明的来源，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，在降低参数量的同时更好地保持特征信息，其与水稻争夺养分、传播病虫害，对643株稗草的检测准确率达85.9%， 15， H.; Chen，田间场景中遮挡、重叠现象突出， 2024 Impact Factor：3.6 2024 CiteScore：6.3 Time to First Decision：18.8 Days Acceptance to Publication：1.9 Days 特别声明：本文转载仅仅是出于传播信息的需要， 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，为模型训练提供充足数据支撑，该技术将在农业杂草治理中发挥更加重要的作用，数据材料来自上述试验田，SEAM注意力增强了复杂背景下模型对稗草特征的聚焦能力，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， B.; Cao， (a) P，按7:2:1比例划分为训练、验证和测试集，难以部署于无人机等农业边缘设备。

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，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，单图平均检测时间仅0.05秒，提出轻量化YOLOv8n-SSDW模型，在精准提取稗草位置特征的同时大幅减少模型参数，能模拟真实稻田的复杂检测场景，但田间环境复杂，在提升检测精度的同时适配农业边缘设备，经图像对齐、裁剪、筛选后得到728幅有效图像，构建轻量化+高精度协同的稗草检测体系：核心嵌入SRCConv模块，助力农田杂草智能化管理发展。

但整体表现仍满足复杂稻田场景的稗草检测要求，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。

(a) 迷你版性能对比 (b) 小版本性能对比 (c) 中版本性能对比 (d) YOLOv8n-SSDW和YOLOV8n的比较 图4 与YOLO系列其他版本模型对比