基于WAAP-YOLO的玉米伴生雜草檢測模型

中圖分類號：TP391.41 文獻標識碼：A DOI：10.7535/hbkd.2025yx04004

Corn-associated weed detection model based on WAAP-YOLO

MENG Zhiyong，JIA Yawei， ZHANG Xiuqing， NI Yongjing， ZHANG Ming，WU Qi， WU Chenxi （School of Information Science and Engineering，Hebei University of Science and Technology， Shijiazhuang，HebeiO50ol8，China）

Abstract：Toaddress the challenges of corn-associated weed detection，such as diverse shapes，dense occusion，complex backgrounds and scale variation，animproved object detection model，WAAP-YOLO，was proposed.First，the backbone was improved byreplacing someconvolutions with wavelet poling convolutions，effectively avoiding aliasingartifacts.Second，an agregatedatentionmechanism wasintroduced toconstructtheC2f-AA module，improving the model'sabilitytoextractwed featuresincomplexbackgrounds.Finall，ASF-P2-Netwas proposed toreplace theoriginal neck network，incorporating the P2 detection head through the scale sequence fusion module，reducing model complexityand significantly improving small object detection performance. Experimental results show that the WAAP-YOLO detection algorithm achieves 97.2% mAP @ （2 0.5， 85.8% mAP@0.5：0.95 ，94. 0% Fl score，and a parameter count of 2.1×10⁶ ，outperforming common object detection models such as YOLOv5s，YOLOv8n，and YOLOvlOn.The proposed model can significantly enhance cornfield weed recognitionacuracy，which providessomereferenceforadvancing theintellgent and sustainable developmentof the

agricultural industry.

Keywords：computer neural networks；weed recognition；wavelet pooling；attention mechanism； multi-scale fusio

玉米作為全球三大糧食作物之一，其產量至關重要，而雜草是限制其產量的主要因素之一[1]。當前的除草方式包括：人工除草[2]，雖精準但速度慢；化學除草[3]，高效便捷但易污染環境;機械除草，環保但效率較低。在農業生產中，如何準確區分作物與雜草是個關鍵問題。深度學習憑借其高準確性和良好的泛化能力，為智慧農業中的雜草管理提供了高效、環保的解決方案，既提升作業效率，又有助于保護農業生態[4]。

隨著深度學習技術的發展，卷積神經網絡[5以強大的自學習和自適應能力逐漸走進大眾的視野。毛銳等[6]基于Faster-RCNN構建了小麥的病害識別檢測模型，其中在主干網絡通過卷積核改進以及下采樣延遲等方法進行優化，有效提高了模型精度。YANG等[基于 SSD 模型對實木表面缺陷進行優化改進，將 SSD網絡中的VGG部分替換為ResNet，改進后的SSD模型對實木表面缺陷的平均檢測準確率達到 89.7% 。盡管以Faster-RCNN為代表的二階段目標檢測算法可以提高模型精度，但因為檢測環節分為2個階段，速度較慢，影響了農業智能部署的效率。

因此，為了兼顧檢測速度和精度，一階段目標檢測算法逐漸受到關注，YOLO（you only look once）系列算法以其高效和實時性受到了廣泛關注。WU等[8基于YOLOv4構建了一個新的主干網，通過引人多分支結構并結合擴張卷積等方法，將小目標雜草的AP值提高了 15.1% . mAP 提高了 4.2% 。LI等基于YOLOv7構建了一個名為YOLOv7-FWeed 的雜草檢測模型，此模型使用F-ReLU和 MaxPool多頭自我注意模塊提高了雜草識別的準確性。以上研究通過優化基準模型提高了特定雜草目標的檢測精度，但面對樣本尺度多樣、種類繁多、密集遮擋和背景復雜等問題，檢測仍存在挑戰。

YOLOv8憑借C2f模塊的多尺度特征融合能力、解耦檢測頭與空間通道注意力機制的協同優化，以及高分辨率特征保留技術，在應對玉米雜草樣本多樣性、植株遮擋和復雜背景干擾等難題時展現出顯著優勢。基于此，本文提出了一種針對玉米雜草檢測的WAAP-YOLO模型，主干網絡中將部分卷積替換為小波池化卷積，以避免混疊偽影的問題，提升圖像細節的保留和準確性;將C2f 模塊融合了聚合注意力機制（aggrega-ted attention），對玉米雜草的特征信息進行細節提取，進一步增強模型在復雜背景下對雜草的識別能力;提出ASF-P2-Net對Neck網絡進行改進，引人注意力尺度序列融合框架（ASF），并通過尺度序列特征融合模塊（SSFF）增加P2檢測頭（Detect），顯著增強對細小雜草的檢測。

1 相關工作

1.1 YOLOv8模型

YOLOv8是目前YOLO系列中較為先進的模型，在YOLOv5的基礎上構建，進一步提升了識別的準確性，基于縮放系數分為 N/S/M/L/X 尺度的不同大小的模型，用于滿足不同場景需求。

YOLOv8模型的構架包括輸入層、主干網絡、Neck網絡和頭部網絡。輸人層對輸人至網絡的圖像進行預處理，通過自適應縮放提高圖像處理速度[10]。主干網絡主要由Conv、C2f 和 SPPF 模塊組成。其中，SPPF 通過連續3次最大池化操作捕捉多尺度物體信息，提升目標檢測的準確性[11]。Neck部分包含路徑聚合網絡（path aggregation network，PAN）[12]和特征金字塔網絡（Feature pyramid network，FPN）[13]結構，用于多尺度特征融合，使特征融合更加豐富。頭部網絡采用主流解耦head結構，完成圖像目標檢測和分類任務，進而實現目標檢測框位置和目標類別的輸出。

1.2玉米雜草圖像采集

本文選取自然環境中常見的4種玉米雜草圖像，分別為藍草、藜草、刺薊、莎草，圖像采集設備為佳能Power ShotSX600HS相機。圖片數據采集涵蓋了上午、中午和下午等不同時間段，以及多種天氣狀況。玉米雜草數據集包括1200張藍草圖像、1200張藜草圖像、1200張刺薊圖像、1200張莎草圖像以及1200張玉米圖像，全部為JPG格式，雜草數據集圖片示例如圖1所示。上述采集方案充分考慮了樣本特征的多樣性和豐富性，同時確保了不同類型樣本數量的均衡分布。

1.3 數據集建立

將雜草與玉米圖片按照 8：2 劃分為訓練集和驗證集，將數據集在labelImg軟件上進行標注，并提取出每個標注點周圍的像素點作為注釋文件，存儲為.txt文件以獲取圖像中雜草的位置。

2 網絡主干改進

玉米雜草檢測因生存環境和生長特性面臨諸多挑戰：雜草結構特征多樣，紋理復雜，增加檢測難度；雜草生長于泥濘草地且存在遮擋，背景復雜，易導致錯檢和漏檢;雜草種類繁多且部分個體細小分散，難以識別。

本研究以YOLOv8n為基準模型進行下列改進，構建一種適用于玉米雜草的檢測模型WAAP-YOLO：1）將模型主干網絡中部分卷積替換為小波池化卷積，特征分辨率減半，在保持檢測精度的同時避免嚴重的混疊偽影現象;2）引人聚合注意力機制，提升特征提取能力，降低干擾因素影響，使其更適用于玉米雜草檢測;3）改進模型的Neck部分，以ASF實現創新的多尺度特征融合，并引入P2檢測頭，有效增強網絡對小目標的檢測能力。改進網絡結構如圖2所示。

2.1 Backbone改進

2.1.1小波池化卷積

在自然環境中對玉米雜草進行檢測時，玉米雜草形態各異，其中豐富的紋理會影響檢測效果。傳統的YOLOv8n使用普通跨步長卷積對輸入的特征進行下采樣時，未考慮奈奎斯特采樣定理（Nyquist），從而產生嚴重的混疊現象[14]，導致細節特征因信息丟失而被忽略。為解決這一問題，將小波池化[15]思想融人Conv，形成小波池化卷積（WaveLP-Conv），其結構如圖3所示。

Conv BatchNorm2d SiLU Wavelet pooling

小波池化模型主要原理為離散小波變換[16]（discrete wavelet transform，DWT）。它首先采用小波池化技術將特征分解為高頻細節子帶和低頻近似子帶，通過保留低頻近似子帶，丟棄高頻細節子帶，進行反向離散小波變換處理，來解決下采樣過程中可能存在的頻率混疊問題。在此改進中，第3層的更換使特征圖從更淺層開始保留更多的低頻信息，并在下采樣過程中減少對特征細節的破壞。第5層和第7層則在進一步的下采樣過程中持續保留特征圖中的重要細節信息，即使在較深的特征圖中，也能保持一定的圖像結構和邊緣信息。

2.1.2 聚合注意力機制

玉米田間雜草檢測面臨復雜背景干擾及與作物交錯生長引發的誤檢、漏檢難題，為進一步降低圖像中其他干擾因素的影響，提升模型對雜草有效特征的提取能力，在C2f模塊中添加聚合像素聚合注意力機制（aggregated attention，AA）[17]。

AA原理為通過計算特征圖中的不同通道和空間位置的注意力權重，自動調整各個特征的貢獻度，增強模型對有效信息的選擇能力，在復雜背景任務中表現更佳。具體而言，AA首先生成多樣化的親和矩陣，在單個注意力層內融合位置相關性和對象相關性以提升特征提取能力;隨后，計算查詢（Query，Q）與位置嵌入后的鍵（ Key，K+PE） 的相關性得分，強化模型對玉米與雜草空間拓撲關系的感知能力；同時，引入可學習查詢嵌入（QE），通過端到端訓練學習雜草形態先驗知識，增強查詢向量 的語義判別性。計算公式為

將注意力權重拆分為位置相關權重和對象相關權重，優化玉米與雜草交錯區域的邊界回歸，通過通道權重優化抑制土壤背景干擾；然后分別與查詢向量 T 結合，通過加權聚合得到最終輸出。計算公式為

Y=W_pos?T+W_obj?T

基于AA能夠在復雜場景中有效增強對關鍵特征的選擇能力的特點，本文在YOLOv8n主干網絡的第6層和第8層C2f模塊中引人AA，將C2f替換為C2f_AA模塊，結構如圖4所示，進一步增強模型對雜草特征的提取能力，減少圖像中干擾因素的影響，有效解決雜草的誤檢和漏檢問題。

2.2 Neck改進

玉米雜草種類多樣、個體微小且分散，傳統 YOLOv8n 的語義與空間信息融合機制未優化，多尺度特征互補性不足，且檢測頭僅覆蓋P3—P5層（P3層：用于檢測大小在 8×8 以上的目標；P4層：用于檢測大小在16×16 以上的目標；P5層：用于檢測大小在 32×32 以上的目標），導致小目標檢測性能差，高分辨率場景下細粒度特征難以捕捉。針對上述問題，本文設計了一種多尺度特征融合網絡ASF-P2-Net（見圖5），在Neck部分引人注意力尺度序列融合框架[18]，實現創新的多尺度特征融合，并通過尺度序列特征融合模塊增加 P2檢測頭，實現低分辨率與高分辨率特征的平衡融合。

ASF由尺度序列特征融合（SSFF）模塊和三重特征編碼器（TFE）模塊組成，結合通道和位置注意力機制（CPAM對兩者特征信息進行融合，從而顯著提升實例分割的準確性。

2.2.1 SSFF模塊

SSFF 是將檢測頭捕獲的不同空間尺度覆蓋各種大小和形狀的雜草類型的特征圖進行跨尺度融合。由于高分辨率特征圖級別P3包含對小目標檢測和分割至關重要的信息，所以此模塊基于P3級別設計。SSFF結構如圖6所示。

圖6中3D Conv表示將3個維度的數據進行拼接;BN（batch normalization）用于對數據進行標準化處理，提高模型的泛化能力;SiLU為平滑函數，在整個定義域內都有導數，利于模型優化。

2.2.2 三重特征編碼器（TFE）模塊

TFE通過分離大、中、小尺寸特征，進而強化大尺寸特征細節，提升對細節特征的捕捉能力，其結構如圖7所示。

對于大尺寸特征圖，通過卷積模塊減少通道至1C，并結合最大池化和平均池化實現下采樣，保留高分辨率特征和細節多樣性。小尺寸特征圖則通過卷積調整通道，并采用最近鄰插值法上采樣，保留局部特征，避免小目標特征丟失。最終，將調整后的大、中、小尺寸特征圖通過卷積處理并在通道維度上融合。

2.2.3 CPAM

CPAM用于提取SSFF和TFE通道中包含有代表性特征的信息，以集成詳細特征信息和多尺度特征信息。輸入1（TFE）為通道注意網絡，包含TFE的詳細特征。在不對通道維數進行降低的情況下，使用大小為 K 的1D卷積來實現局部跨通道交互的捕捉。接著，將通道注意力機制的輸出與輸入2（SSFF）的特征圖輸入到位置注意力網絡中，用于提取雜草圖像的關鍵位置信息。位置注意力機制將輸入特征圖按寬度和高度分割，分別進行編碼后再合并生成最終輸出。

3實驗結果與分析

3.1 模型評價指標

為評估本模型在檢測雜草數據集上的有效性，采用以下指標來檢測性能。這些指標能夠反映模型在不同層面的表現，包括檢測的準確性、綜合性能以及計算效率。相關計算公式如式（3）—（7）所示。

式中：TP（true positive）為正確預測的正例個數;FP（1 positive）為錯誤預測的正例個數;FN（1 nega-tive）為劃分為負例的正例個數。

式中： N 為類別數量，本文中 N=5 ;AP是指 P 和 R 的統合； mAP 是所有目標種類AP的平均值。實驗中使用IOU閾值為0.5時的均值平均精度，即 mAP@0.5 評估標準。

F1是精確率和召回率的調和平均，用于評估模型的綜合性能。

3.2 實驗條件

實驗運行環境如下：CPU采用 AMD EPYC 7352 24-Core Processor，GPU 采用 RTX 4090，顯存為24 GB，軟件環境為Python3.9版本、PyTorch 2.0.1版本和CUDA11.8版本。批處理大小batch size設置為16，學習率設置為0.01，優化器 SGD的動量設置為0.937，數據增強采用Mosaic，輸人圖像的分辨率設置為 640×640 ，所有模型總共訓練200個epoch。

3.3不同注意力機制性能對比實驗

為研究引人 AA 的合理性，選取代表性注意力機制 CBAM[19]（convolutional block attention module）、EMA[2o]（efficient multi-scale attention） CA^[21] （coord attention）進行實驗對比，實驗結果見表1。

由表1可知：當引人AA后，模型的 mAP@0.5 較原模型提升了0.8個百分點，模型的參數量降低了0.6×10⁶ ;引入EMA和CA后， mAP@0.5 出現了不同程度的降低，各自降低0.3個和0.2個百分點；引入CBAM后， mAP@0.5 提升了0.2個百分點，但是在 mAP@0.5：0.95 中，降低了0.5個百分點。

與AA模型相比，CBAM模型雖然融合了通道和空間維度的注意力機制，增強了對局部特征的捕捉能力，但它在處理長距離特征關聯方面存在局限，在協調玉米伴生雜草局部特征與葉片整體上存在缺陷。

EMA模型僅通過調制特征通道來捕捉局部特征的重要性，在捕捉全局上下文信息時有一定限制條件。CA模型能聚焦與目標相關的區域，減少背景噪聲的影響，但是在復雜背景中可能無法穩定提取有效的雜草目標。綜上可知，引人AA后在減小參數量的同時提升了提取特征能力，表明引人AA對玉米雜草檢測是有效的。

3.4 模塊消融實驗

為研究引人WaveLP-Conv模塊（A）、C2f-AA模塊（B）和ASF-P2-Net模塊（C）對所建立的玉米雜草模型檢測性能的影響，在此數據集上進行測驗與分析以評估優化效果和開展消融實驗，實驗結果如表2所示。

實驗表明，在Yolov8n模型中加人A模塊后， mAP@0.5 提升0.6個百分點，F1提升2個百分點，同時模型的參數量減少了 0.6×10⁶ 。即WaveLP-Conv模塊提升了提取目標位置的清晰程度，通過特征融合增強了目標語義表征能力，在提高模型檢測精度的同時，也能有效減少模型參數量，展現出顯著的優勢。

引進B和C模塊時， mAP@0.5 提升了1個百分點，模型參數量降低了 0.7×10⁶ 。即C2f-AA模塊和ASF-P2-Net的加入能夠帶來精度的提升，自動識別圖像中重要的區域，進一步對玉米雜草的特征信息進行細節提取，幫助模型進行更深層的特征提取。

加入全部模塊，相較于加入B和 C，mAP（?0.5 提升0.7個百分點， mAP@0.5：0.95 提升0.6個百分點，F1提升1個百分點，參數量降低 0.2×10⁶ 。

綜上，消融實驗結果表明，3個模塊的引入使WAAP-YOLO模型達到了最優的檢測性能， mAP@0.5 提升1.7個百分點， mAP@0.5：0.95 提升1.3個百分點，F1提升3個百分點，參數量降低 0.9×10⁶ 。所引入的模塊有效提高了模型的檢測能力，減小了參數量，充分發揮了各個模塊的功能。

3.5 主流模型性能對比實驗

為研究WAAP-YOLO模型與其他模型對于玉米伴生雜草檢測性能的差異，選取了主流目標檢測模型展開性能對比實驗，包括：MobileNetV3-SSD，其將MobileNetV3作為主干網絡與SSD的多尺度檢測框架相結合;ShufleNetv2-Faster-RCNN模型，其將 ShuffleNetV2作為主干網絡用于特征提取與Faster-RCNN融合;YOLO 系列——YOLOv5s、YOLOv8n、YOLOv10n、YOLOv10s。實驗結果如表3所示。

由表3可知，與其他模型相比，WAAP-YOLO在精度、F1值和參數量上均有顯著改進。與Mobile-NetV3-SSD、ShufleNetV2-Faster-RCNN、YOLOv5s、YOLOv8n、YOLOv10n 和 YOLOv10s 相 比，其mAP@0.5 分別提升了 6，5，5，1，5，2，1，7，3，1，2，3 個百分點；F1分別提高了8、8、7、3、4、3個百分點；同時，參數量減少了 4.7×10⁶?5.3×10⁶?5.1×10⁶?0.9×10⁶?0.5×10⁶ 和 5.1×10⁶ 。從最終結果可以看出，WAAP-YOLO模型對于此玉米伴生雜草數據集各方面的性能較其他模型更加適用。為了驗證各模型的實際檢測效果，選擇單獨拍攝的每類雜草各一張圖片進行檢測，可視化結果如圖8所示。

由圖8可知：在藍草的檢測中，檢測效果最好的為WAAP-YOLO，而 ShuffleNetV2-Faster-RCNN和MobileNetV3-SSD的檢測均低于 70.00% ，檢測效果欠佳；在藜草的檢測中，YOLOvl0s、YOLOv8n、Mo-bileNetV3-SSD 存在目標漏檢，另外 ShufleNetV2-Faster-RCNN 模型將小目標玉米幼苗錯誤的檢測為藜草，造成誤檢;在刺薊檢測中，YOLOv8n 漏掉小目標刺薊雜草;在莎草的檢測中，YOLOv1Os、YOLOv10n、YOLOv5s、ShufleNetV2-Faster-RCNN和 MobileNetV3-SSD均出現漏檢，這是由于莎草葉片狹長，容易與玉米特征混淆，增大了檢測難度。上述檢測過程中出現的漏檢和錯檢問題，主要是由于各個模型在處理復雜背景中的雜草目標特征提取時能力有限，進一步說明引入注意力機制的必要性。

綜上所述，在玉米伴生雜草圖片檢測和識別任務中，相較于其他6種模型，WAAP-YOLO在可良好檢測玉米伴生雜草的同時減小了模型參數量，沒有出現漏檢或者誤檢的情況，在4種雜草上保持較為優秀的檢測精度，還使其能夠捕捉到更多特征細節，從而高效地檢測玉米伴生雜草。

4結語

所提WAAP-YOLO目標檢測算法模型使用一種不同環境條件以及多雜草類別的數據集，針對玉米伴生雜草中的易遮擋、背景復雜、尺度不一等問題進行了改進，克服了YOLOv8n識別準確率低、模型參數量大、小目標誤檢漏檢等局限性，實驗驗證了其有效性。主要結論如下。

1）將主干部分中的卷積部分替換為小波池化卷積，將特征分辨率減半，在保持檢測精度的同時避免嚴重的混疊偽影現象，對提高特征提取的質量起到關鍵作用。

2）在主干模型中引入聚合注意力機制，構建C2f-AA模塊替換主干網絡中的C2f模塊，增強了模型對雜草特征的提取能力，進一步提升了模型精確度；以ASF-P2-Net替換原始Neck 網絡，降低了模型復雜度，通過調整和整合不同尺度的特征增強對復雜場景的應用，并通過尺度序列融合模塊引人P2檢測頭，對小目標模型檢測更加有效。模型的 mAP@0.5 指標、 mAP@0.5：0.95 指標、F1、參數量分別為 97.2%.85.8% 、94.0%.2.1×10⁶ ，能夠對玉米雜草進行精確識別。

本文方法的核心優勢在于其對多尺度目標檢測的良好適應性，特別適用于目標尺度差異顯著、存在復雜遮擋以及分布密集的場景，如植物病蟲害檢測、植物雜草檢測。

本文計算復雜度較高，限制了其在實際應用中的推廣。未來可以進一步優化模型，使其更加輕量化，減少計算量，從而適應嵌入式設備等低資源環境中的部署需求，為玉米雜草檢測在實際農業場景中的應用提供更加高效且可行的解決方案。

參考文獻/References：

[1]張金夢，張倩，王明，等.卷積神經網絡及其在田間雜草管理中應用的研究進展[J].蔬菜，2024（7）：28-36. ZHANGJinmeng，ZHANGQian，WANG Ming，etalResearchprogessonconvolutionalneuralnetworksandtheiraplicationiweed management of field[J].Vegetables，2024（7）：28-36.

[2]李雪峰，施晨輝，宋名果，等.基于Yolov4 模型的玉米幼苗與雜草識別檢測[J].熱帶農業工程，2023，47（1）：1-6. LI Xuefeng，SHChenhui，ONG MingguoetaldentificationanddetectionofmaizeseedlingsandweedsbasedonYlov4neto]. TropicalAgriculturalEngineering，2O23，47（1）：1-6.

[3]武志坤，張偉，元立強，等.基于改進YOLO v5 的豆田雜草分布研究[J].農機化研究，2025，47（4）：77-82. WUZhikun，ZHANG Wei，QILiqiang，etal.Distributionofweds insoybeafieldsbasedonimprovedYOLOv5[J]JournalofAgricultural Mechanization Research，2025，47（4）：77-82.

[4]唐伯青，趙大勇，熊鋒，等.基于視覺自注意力模型的苗期玉米與雜草檢測方法[J].南京農業大學學報，2024，47（4）：772-781. TANGBoqing，ZHAODayong，XONGFengetal.Detectionmethodofmaizeandwedsatseedlingstagebasedonvisualself-attion model[J].Journal of Nanjing AgriculturalUniversity，2024，47（4）：772-781.

[5]張永強，李勝男，張子強，等.R-YOLO軌道人員目標檢測模型[J].河北科技大學學報，2023，44（6）：580-588. ZHANG Yongqiang，LISengnan，ZHANG Ziqiang，etal.R-YLOorbitalpersonneltargetdetectionmodelJ]JournalofHbeiUniver sity of Science and Technology，2023，44（6）：580-588.

[6]毛銳，張宇晨，王澤璽，等.利用改進Faster-RCNN識別小麥條銹病和黃矮病[J].農業工程學報，2022，38（17）：176-185. MAO Rui，ZHANG Yuchen，WANG Zexi，etal.Recognizing stripe rust andyellowdwarfof wheatusing improvedFaster-RCNN[J]. Transactions of the Chinese Society of Agricultural Engineering，2022，38（17）：176-185.

[7]YANGYutu，WANGHonghong，JIANGDng，etal.SurfacedetectionofsolidooddefectsbasedonSDimproved withResNet]For ests，2021. DOI：10.3390/f12101419.

[8]WU Haoyu，WANGYongshang，ZHAOPengfei，et al.Smalltarget wed-detectionmodelbasedonYOLO-V4withimprovedbackbone and neck structures[J].Precision Agriculture，2023，24（6）：2149-2170.

[9]LIJinyang，ZHANG Wei，ZHOU Hongetal.Weed detection insoybean fieldsusing improvedYOLOv7andevaluating herbicidereduc tion efficacy[J].FrontiersinPlant Science，2024.DOI：10.3389/fpls.2023.1284338.

[10]LIULizhao，LIPinrui，WANGDahan，etalAwindturbinedamagedetectionalgorithmdesignedbasedonYOLOv8J].Aliedoft Computing，2024.DOI：10.1016/j.asoc.2024.111364.

[11]SOLIMANIF，CARDELICCHIOA，DIMAUROG，etal.Optimizing tomatoplant phenotyping detection：Bosting YOLOv8architec ture to tackle datacomplexityJ].Computersand Electronics in Agriculture，2024.DOI：10.1016/j.compag.2024.108728.

[12]LIUShu，QLuQIHaifangetal.PathagegationnetorkforistancesegmentatioC]/18IEEE/CVFConferencenCoputer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：8759-8768.

[13]LINTY，DOLLAR P，GIRSHICK R，etal.Feature pyramid networks forobject detection[C]/2017 IEEEConferenceonComputer Vision and Pattern Recognition（CVPR）.Honolulu：IEEE，20l7：936-944.

[14]GRBINKIJ，KEUPERJKEUPER.lisinganddversarialobustgeneralizationofNsJ].achineLearng，2）： 3925-3951.

[15]WILLIAMST，IR.WaveletpolingforconvolutioalnuralntworksC]/InterationalConferenceonLearingRepresentatios. Vancouver：ICLR，2018：1-12.

[16］王美仙，郭威艷，高磊.基于離散小波變換特征的農產品葉片表面農藥殘留檢測方法[J].農業工程，2024，14（6）：112-117. WANGMeixian，GUO Weiyan，GAOLei.Amethodfordetecting pesticideresidues onsurfaceofagricultural products leaves basedon discrete wavelet transform features[J].Agricultural Engineering，2O24，14（6）：112-117.

[17]SHIDaiTransNeXt：RobustfovealvisualperceptionforvisiontransformersC]/2024IEEE/CVFConferenceonComputerVisionand Pattern Recognition（CVPR）.Seattle：IEEE，2024：17773-17783.

[18]KANG M，TINGCM，TINGFF，et al.ASF-YOLO：Anovel YOLOmodel withatentional scale sequencefusionforcelistance segmentation[J].Image and Vision Computing，2024.DOI：10.1016/j.imavis.2024.105057.

[19]WOO，ARKJLEEJY，etalBACouoalboaentiomoduleC/mputerVsiCCV18ampringer8-19.

[20]OUYANDan，HESu，ZAGuongetal.ffentmultisaleaentiomodlewitosspatiallearingCEE International Conference on Acoustics，Speech and Signal Processing（ICASSP）.Rhodes Island：IEEE，2023：1-5.

[21]HOUQibinZHOUDaquanFENGJiashiCoordinateatentionforffcent mbile networkdesignC/021IEE/CVFConferenceon Computer Vision and Pattern Recognition（CVPR）.Nashville：IEEE，2021：137o8-13717.