【摘要】 农作物生长过程中其伴生杂草的及时清除能够有效提高农作物的产量和质量。针对当前对于甜菜杂草检测精度较低、小目标漏检等问题，提出了基于改进YOLO v8n的甜菜杂草检测算法。首先，在检测头部分增加一个小目标检测层，提高模型对生长初期甜菜和杂草的检测能力。其次，在主干部分引入感受野坐标注意力卷积(receptive-field coordinated attention convolutional operation, RFCAConv),更好地识别图像中的边缘、纹理、形状等低级特征，并且所增加的计算开销极小。最后，引入损失函数PIoU v2替换YOLO v8n原来的损失函数，增强对中等质量锚框的聚焦能力，加快收敛速度，并提高检测精度。通过公开的Lincolnbeet数据集进行试验，试验结果表明，改进后的YOLO v8n模型总的mAP@0.5达到了0.902,对比YOLO v8n原模型提高了0.035,甜菜和杂草分别提升了0.026、0.041,参数量减少了3.3%,平均每幅图片的检测时间为4.1 ms,能够满足实时检测的要求。更多还原