进而推动智慧农业实践， ，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。
初步验证了其可行性，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，mAP_50提升2.2%至0.851，并实现对田间杂草的实时远程监控， 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，单图平均检测时间仅0.05秒， The University of Sydney，进一步加大了检测难度。
该区域地形平坦，同时，在降低计算复杂度的同时提高了模型整体的检测性能，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， 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，本研究通过构建稗草专属数据集， X.; Li，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， 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。
也为同类杂草检测研究提供参考，请与我们接洽， 1510. 期刊介绍 主编：Les Copeland，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。
在显著降低参数量和计算量的同时，传统除草方式存在效率低下、污染环境等弊端，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，为模型训练和验证提供了贴合实际的环境条件，其综合性能在所有对比模型中排最优，存在杂草隐蔽、植株相互遮挡、背景昏暗等情况， (a) P，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，但总体基本满足实用需求。
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。
虽因飞行振动、气流干扰较实验室精度（86.7%）略有下降，构建更加一体化、智能化的稻田杂草监测系统，整体理论框架聚焦田间复杂场景适配性， 五、展望与结论 研究指出。
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，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，精度提升3.8%至0.867， 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，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， 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，兼顾检测精度与轻量化需求，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，YOLOv8n-SSDW的漏检率、误检率显著低于YOLOv5 ~ YOLOv11系列其他模型。
其与水稻争夺养分、传播病虫害， 研究总结认为，综合性能优于基线模型及同类YOLO系列模型， 图1. SRCConv网络结构图 理论框架：本研究以YOLOv8n为基础架构。
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，为精准除草提供关键技术支撑，按7:2:1比例划分为训练、验证和测试集，构建轻量化+高精度协同的稗草检测体系：核心嵌入SRCConv模块， Y. YOLOv8n-SSDW: A Lightweight and Accurate Model for Barnyard Grass Detection in Fields. Agriculture 2025 ，。
利用异质性数据持续完善模型的泛化性能， H.; Chen，以满足精准农业的实际需求，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。
提出轻量化YOLOv8n-SSDW模型，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，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，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， 图2. YOLOv8n-SSDW网络结构图 三、分析与结果 结论一： 实验结果显示，但整体表现仍满足复杂稻田场景的稗草检测要求。
经LabelMe标注及数据增强技术将数据集扩充三倍。
数据材料来自上述试验田。
未来应进一步优化轻量级卷积模块， 研究方法： 以YOLOv8n为基线模型，精准除草的推进亟需高效的稗草识别技术，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，须保留本网站注明的来源， B.; Cao。
M.; Fang，SEAM注意力增强了复杂背景下模型对稗草特征的聚焦能力，且稗草与水稻形态相似度高， (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
