点击蓝字
关注我们
关注并星标
从此不迷路
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12845852/pdf/sensors-26-00677.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文提出基于 YOLOv9t 优化的SSS-YOLO算法，专为复杂田间环境的遮挡 / 重叠杂草检测设计，轻量化同时实现精度大幅跃升，为智能除草、农田精细化管理提供硬核技术支撑！
PART/1
痛点
农田杂草检测远比想象中复杂，轻量化 YOLO 系列模型在实际场景中面临三大致命难题：
- 遮挡重叠难识别：作物遮挡、杂草扎堆时，模型精度断崖式下跌，漏检、误检频发；
- 轻量与精度难平衡：轻量化模型速度快但精度不足，高精度模型过于笨重，无法适配边缘设备；
- 复杂环境鲁棒性差：光照、杂草形态、背景干扰，让模型跨场景泛化能力大打折扣。
原版 YOLOv9t 虽轻量快速，但面对遮挡杂草时，局部特征提取不足、多尺度融合薄弱，完全无法满足田间实际检测需求。
PART/2
创新
SSS-YOLO 以 YOLOv9t 为基座，融合 Flat U-Net、LEG Net、SEM Net 框架思路，打造三大核心模块，针对性解决遮挡 / 重叠杂草检测痛点：
SCB 空间通道卷积模块用大核卷积捕捉长距离特征关联，绕过被作物遮挡的杂草区域，联动无遮挡区域增强有效特征，通过通道注意力过滤噪声，让模型 “看穿” 遮挡。
SCB 模块结构图
SPPF_EGAS 边缘高斯聚合模块将多尺度池化与边缘感知结合，大感受野获取遮挡目标周边背景信息，精准推断被遮挡杂草特征，强化叶片边缘细节，清晰区分杂草与作物边界。
SPPF_EGAS 模块结构图
EMSN 高效多尺度前馈网络模块通过上下文推理重建遮挡区域语义信息，动态区分遮挡区与可见区，保留细节的同时压制背景植被干扰，让检测结果更纯净。
EMSN 模块结构图
三大模块协同形成端到端特征增强通路，从特征提取、多尺度融合到遮挡推理全链路优化，轻量前提下精准锁定每一株杂草。
PART/3
实验
研究团队在自建新疆 6 类杂草数据集+公开 Cotton WeedDet12 数据集上双重验证，对比 YOLOv5/v8/v9/v10/v11/v12 全系列轻量化模型，结果亮眼：
✅ 精度大幅飙升：相较原版 YOLOv9t，精确率 + 7.8%、召回率 + 6.5%、mAP50+8.6%、mAP50-95+7.5%；
✅ 极致轻量：参数量仅1.9M，远小于中大型 YOLO 模型，边缘设备轻松部署；
✅ 实时检测：推理速度297FPS，与原版 YOLOv9t 持平，满足田间实时检测需求；
✅ 超强泛化：公开棉花杂草数据集上 mAP50 达95.3%，跨区域、跨种类均稳定输出。
消融实验结果表
对比实验结果表
可视化对比更直观：原版 YOLOv9t 面对重叠杂草，漏检、重复检测频发，准确率低至 30%；SSS-YOLO 精准框出每一株杂草，无重复、无漏检。
YOLOv9t 检测效果图
SSS-YOLO 检测效果图
PART/4
总结与展望
SSS-YOLO 完美解决复杂田间遮挡杂草检测行业痛点，兼具高精度、轻量化、实时性、强泛化四大核心优势：
适配无人机、田间机器人、树莓派等边缘设备，低成本快速部署；
支撑智能精准除草，减少农药滥用，助力绿色农业发展；
可拓展至多类作物田间场景，为农田精细化管理提供 AI 底座。
未来研究团队将持续扩充数据集，提升模型对更多杂草种类的适配能力，让 AI 技术扎根田间，让智慧农业更智能、更高效！
精准识别，科技助农。SSS-YOLO 用深度学习破解田间杂草检测难题，为智慧农业发展注入新动能～
有相关需求的你可以联系我们！
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
往期推荐
🔗
YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型
ViT-YOLO：基于Transformer的用于目标检测的YOLO算法
SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测
LUD-YOLO：一种用于无人机的新型轻量级目标检测网络
Gold-YOLO：基于聚合与分配机制的高效目标检测器
Drone-YOLO：一种有效的无人机图像目标检测
「无人机+AI」“空中城管”
无人机+AI：光伏巡检自动化解决方案
无人机视角下多类别船舶检测及数量统计
机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题
2PCNet：昼夜无监督域自适应目标检测（附原代码）
YOLO-S：小目标检测的轻量级、精确的类YOLO网络
大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载）
改进的检测算法：用于高分辨率光学遥感图像目标检测
