1.一种基于改进yolov5网络的杂草检测方法，其特征在于，包括以下步骤：S1、采集杂草图像，利用Make Sense工具构建杂草数据集；

S2、对原始yolov5网络模型进行改进；

(1)在Backbone层和Head层引入GhostNet模块；

GhostNet的基本结构是Ghost模块，该模块首先采用常规卷积对输入特征图进行特征提取，生成基础特征图；然后对基础特征图的每一个通道做深度卷积，生成Ghost特征图；最后堆叠基础特征图和Ghost特征图作为输出；

当输入特征图为h×w×Cin，输出特征图为h′×w′×Cout，输入特征层分为n份，卷积核大小为k：常规卷积计算量为：

h′×w′×Cout×k×k×Cin

Ghost模块计算量为：

(2)引入CBAM注意力机制；

在原yolov5网络中引入CBAM注意力机制，其由两个独立的通道注意模块和空间注意模块组成，分别进行通道和空间信息提取，以增强局部特征，融合通道和空间信息的特征；

通道注意力子模块聚合最大池化层和平均池化层的输出特征图的空间信息，通道注意力模块的计算公式如下：c/r×c c×c/r

其中，σ表示激活函数，W0∈R 和W1∈R 表示多层感知机的权重；

空间注意模块利用特征的空间关系生成空间特征图，空间子模块利用两个由平均池化和最大池化得到的两个特征图F1和F2堆叠在一起，然后经过卷积操作将两个特征图上的信息融合到一个特征图中，获得空间特征信息，空间注意力的计算公式如下：

7×7

其中，σ表示激活函数，f 表示卷积操作的卷积核大小；

(3)损失函数替换为SIoU；

SIoU损失函数具体包含角度损失、距离损失、形状损失、IoU损失；

角度损失计算公式如下：

其中，σ为真实框和预测框中心的距离；ch为真实框和预测框中心点的高度差；

为真实框中心坐标； 为预测框中心坐标；

距离损失计算公式如下：

其中，cw，ch为真实框和预测框最小外接矩阵的宽和高；

形状损失计算公式如下：

gt gt

其中，w ，h 分别为预测框和真实框的宽和高；θ控制对形状损失的关注程度；

最终SIoU损失函数定义如下：

S3、利用杂草数据集对改进的yolov5网络模型进行训练，得到杂草检测模型；

S4、将待检测图像输入到步骤S3所得到的杂草检测模型中进行推理预测，获得杂草检测结果；

在步骤S2中，在原始网络的Backbone层和Head层引入GhostNet模块，以GhostNet替换主干特征提取网络，GhostNet将原始的卷积层分成两部分，首先使用更少的卷积核来生成少量内在特征图，然后引入资源消耗更少的线性操作来高效地生成Ghost特征图，实现对目标特征图的扩充，维持卷积的输出特征图尺寸和通道大小与原网络一致；

在步骤S2中，将原yolov5网络Backbone层中最后一个C3模块替换为CBAM模块以及Head层前三个C3模块后加入CBAM注意力机制，通过加入CBAM，获得包含通道信息和空间信息的特征图；

在步骤S2中，将原yolov5网络中的边界框回归损失替换为SIoU，SIoU由步骤S2中的公式计算得出；

在步骤S1中，采集环境为蔬菜大棚内自然生长环境，共采集图像920张，使用在线标注工具Make Sense标注杂草目标，保存为txt格式的图像标注文件；

在步骤S3中，输入的图像大小设置为640*640，批处理大小batch‑size为12，训练迭代轮数为200，初始学习率为0.01，学习率动量为0.937，权重衰减系数为0.0005，训练完成后，模型会保存训练结果最好的权重文件best.pt；

在步骤S4中，将best.pt作为检测杂草时的权重文件，待检测图像作为数据来源，完成杂草检测。