杂草的处理对于玉米的产量有着至关重要的作用,但传统的喷施除草易造成环境污染,而玉米杂草的精准施药可以解决这个问题。玉米杂草的精准识别是精准喷施的基础,本文针对玉米幼苗以及杂草的识别问题展开研究,以玉米幼苗和杂草为研究对象,将提高玉米与杂草的识别精度和减小导出模型的文件大小为目标,为实现玉米杂草的精准变量对靶喷施提供支持。本文的主要研究工作如下:第一,针对当前玉米幼苗与杂草幼苗数据库缺少的问题。在玉米的最佳除草期三至五叶期期间采集数据,使用单张拍摄的方式采集三至五叶期的玉米和杂草图像。通过预处理得到图像14000余张,利用数据増广操作增加图像的多样性,对处理完成的图像采用Labelimg软件以YOLO格式进行标注,获得包含17000多张玉米杂草的图像数据集。第二,研究基于yolov5的玉米杂草算法模型。对yolov5的输入端、backbone、Neck以及predicition进行分析,同时对模型的特征图进行可视化分析,为后续的算法改进提供理论支持。通过多次微调实验,yolov5s模型的m [email protected]的值达到0.916,导出的模型文件大小为13.7MB,对玉米和杂草识别的AP值分别为0.953和0.879。表明yolov5s算法能正确识别玉米与杂草,但后续应提高模型对杂草的识别性能,在保证识别性能的同时,降低导出模型的文件大小。第三,针对yolov5s模型对杂草的识别精度较低以及输出模型较大的问题,提出了yolov5s的改进算法。将SENet嵌入yolov5s中,同时将yolov5s的Focus结构使用Conv结构进行替换,以便于模型提取关键特征;将C3结构与GHOST模块进行融合并替换yolov5s中的C3模块,使模型在保证性能的同时减小输出模型的文件大小。经过多次微调实验,改进后的yolov5s的m [email protected]的值达到0.930,整体性能提升了0.014个点,杂草的AP值提升了0.008个点,玉米的AP值提升了0.02个点,输出模型相较于原模型减少了2.9MB。实验表明,改进后的模型整体识别性能得到了提升,同时降低了导出的模型文件大小。第四,探究改进后模型的效果。通过设计亮度、遮挡以及噪点实验,验证了模型的鲁棒性。并利用测试集对改进后的模型进行测试,模型的m [email protected]的值达到了0.934,对玉米和杂草识别的AP值分别为0.992和0.875,识别速度达到了3.1ms/帧。通过搭建室内玉米杂草的精准喷施平台,验证了精准喷施系统的可行性。并进行田间杂草的精准喷施作业实验,对玉米和杂草的识别准确率分别为92%和83%,识别出杂草并准确喷洒的概率达到81%,验证了模型对玉米杂草的识别性能,同时表明对三至五叶期的玉米进行精准喷施除草作业是可行的。