1.一種基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，包括：
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，其特征在于，在所述步驟s21中，具體為在原始yolov8網(wǎng)絡(luò)模型的backbone層和neck層引入深度可分離卷積dsconv；所述dsconv分為兩部分，一部分是應(yīng)用輸入單個(gè)通道上的depthwise逐通道卷積，一部分是核大小為1×1的pointwise的逐點(diǎn)卷積；該卷積首先在空間上對(duì)輸入圖像進(jìn)行卷積操作，然后對(duì)經(jīng)過逐通道卷積的map在深度方向上進(jìn)行加權(quán)組合并作為輸出。
3.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，其特征在于，在所述步驟s22中，通過引入cifm來獲得高維信息與低維信息的融合特征，包括：
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，其特征在于，在所述步驟s23中，所述lscd檢測(cè)頭采用一個(gè)共享的groupnorm卷積層代替head檢測(cè)頭使用的兩個(gè)普通卷積層，并采用尺度層對(duì)特征進(jìn)行尺度縮放處理。
5.根據(jù)權(quán)利要求4所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，其特征在于，所述groupnorm卷積層為一種正則化方法，通過將特征通道分成若干組，并在每組內(nèi)進(jìn)行歸一化處理；其中，正則化計(jì)算公式如下：
6.根據(jù)權(quán)利要求5所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，其特征在于，所述采用尺度層對(duì)特征進(jìn)行尺度縮放處理包括：通過上采樣或下采樣的方式調(diào)整特征圖的分辨率，使得不同檢測(cè)頭之間的特征尺度一致，從而解決目標(biāo)尺度不一致的問題。
7.根據(jù)權(quán)利要求1-6任一項(xiàng)所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草模型構(gòu)建方法，其特征在于，在所述步驟s1中，所述采集蔬菜田間雜草圖像包括：采集作物生長平面與圖像傳感器存在若干個(gè)不同傾斜角度的蔬菜苗與雜草圖像；采集雜草與作物伴生、雜草遠(yuǎn)離作物、雜草分布密集、單獨(dú)存在作物的蔬菜苗與雜草圖像。
8.一種基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草檢測(cè)方法，其特征在于，所述方法包括：
9.根據(jù)權(quán)利要求8所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草檢測(cè)方法，其特征在于，所述msrcp算法結(jié)合了顏色保持技術(shù)，通過對(duì)圖像進(jìn)行多尺度處理，分別在不同尺度上進(jìn)行retinex增強(qiáng)，然后將增強(qiáng)后的結(jié)果進(jìn)行融合，從而提高圖像的整體亮度和對(duì)比度。
10.根據(jù)權(quán)利要求9所述的基于改進(jìn)yolov8網(wǎng)絡(luò)的蔬菜田間雜草檢測(cè)方法，其特征在于，所述msrcp算法計(jì)算公式如下：