农业工程学报

作者：孟庆宽,蔡成宇,张漫,赵志彪,张文康,袁浩,

关键词：玉米幼苗, 杂草, YOLO11, 目标检测, 深度学习, 轻量化, 注意力机制

基金：42

针对传统作物与杂草检测方法效率低、现有深度学习目标检测模型在复杂农田环境下适应性不足的问题，该研究提出基于改进YOLO11n的轻量化玉米幼苗与杂草检测模型—YOLO11-SAW。首先，在主干网络末端引入由Swin-Transformer和C3单元构成的C3STR模块，以增强模型对复杂图像中长距离依赖信息的建模能力；其次，在Neck结构中采用可变核卷积（alterable kernel convolution, AKConv）模块，以提高模型对苗草目标形态多样性和空间结构变化的适应能力；最后，使用具有动态聚焦机制的WIoUv3损失函数提升目标定位精度与训练收敛效率。在自建玉米幼苗与杂草数据集上的对比试验表明，YOLO11-SAW在综合性能方面表现优异。相比基线模型YOLO11n，其精确率和召回率分别提升1.71和2.18个百分点，平均精度均值mAPsub>0.5/sub>达到96.40%，mAPsub>0.5-0.95/sub>达到76.17%。同时，模型的参数量仅为1.97 M，浮点计算数为8.0 G，模型大小4.3 MB，推理速度202.77帧/S。该模型满足复杂农田环境下玉米幼苗与杂草的实时精准检测需求，可为硬件资源受限的农业除草机器人视觉检测模型的部署提供参考。/

来源：2026年第8期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第8期