一、实验设置

1. 数据集说明

实验采用自主构建的农田场景数据集，涵盖蓝草、藜、刺儿菜、玉米、莎草、棉花、龙葵、番茄、鸭跖草、莴苣、萝卜共 11 个类别，总计 2750 张图像。
数据均采集自真实田间环境，覆盖不同生长期、不同光照强度、不同天气条件及不同程度遮挡的场景，保证样本多样性。数据集按 8:1.6:0.4 比例随机划分为训练集、验证集与测试集。

2. 基线模型与训练参数

实验以 YOLOv8m 为基线模型，统一训练参数如下：

• 输入图像尺寸：640×640

• 训练轮次：200 epochs

• 批次大小：batch=8

• 优化器：SGD，初始学习率 0.01，动量 0.937

• 学习率调度：余弦退火策略，3 轮线性热身

• 评价指标：mAP@0.5、mAP@0.5:0.95、精确率、召回率、F1 分数

所有实验仅调整数据增强策略，其余参数完全一致，确保对比结果的公平性。

二、待对比增强方案设计

选取目标检测领域 6 种主流增强策略，进行单变量对照实验：

1. Mosaic 增强：将 4 张图像随机裁剪拼接为一张，丰富目标尺度与背景多样性，提升小目标检测能力，设置启用概率为 1.0。

2. 随机水平翻转：以 0.5 概率对图像进行水平翻转，模拟不同拍摄方向的目标形态。

3. HSV 色域增强：对图像色相、饱和度、明度进行随机扰动，模拟不同光照条件下的视觉差异。

4. 随机平移与缩放：随机平移 ±10%、缩放 ±50%，模拟不同拍摄距离与目标位置变化。

5. RandAugment：自动化组合增强策略，随机选取多种图像变换组合，提升模型泛化性。

6. MixUp 增强：将两张图像按权重混合叠加，提升模型对模糊边界的判别能力。

三、对比实验结果与分析

在统一测试集上对 7 组模型（1 组基线 + 6 组单增强）进行性能测试，结果如下：

结果分析

1. Mosaic 增强增益最显著：相比基线模型，mAP@0.5 提升 3.9 个百分点，有效丰富了目标尺度分布与背景复杂度，显著缓解农田场景下目标尺度单一、背景同质化的问题。

2. 色域增强适配性强：HSV 色域增强对光照变化的鲁棒性提升明显，适配田间从正午强光到傍晚弱光的复杂光照条件，对逆光、阴影场景的识别精度提升显著。

3. MixUp 增益有限：在农作物细粒度检测场景下，MixUp 带来的性能提升较弱，原因是草本植物目标边界本身模糊，图像混合反而增加了特征学习的难度。

4. 几何变换类增强效果中等：随机翻转、平移缩放均有一定增益，但提升幅度低于 Mosaic 与色域增强，主要作用是提升目标位置变化的适应性。

四、最优组合方案与实现

在单增强实验基础上，选取增益最高的三种策略进行组合：Mosaic 增强 + HSV 色域增强 + 随机水平翻转。
组合训练后模型在测试集上 mAP@0.5 达到 0.957，mAP@0.5:0.95 达到 0.888，相比基线模型提升 5.5 个百分点，为所有组合中的最优方案。

核心训练配置代码如下：

五、泛化性验证

为验证组合增强方案的实际泛化能力，额外构建包含极端光照、重度遮挡、模糊场景的难例测试集（100 张样本）进行验证。
结果显示，采用组合增强的模型在难例集上 mAP@0.5 达 0.823，相比基线模型的 0.716 提升 10.7 个百分点，证明该增强组合能显著提升模型在复杂田间场景下的鲁棒性，具备更高的实际应用价值。

六、总结与选型建议

1. 在农作物与杂草识别场景下，Mosaic + HSV 色域增强 + 随机水平翻转是综合性价比最高的增强组合，可同时提升检测精度与场景泛化能力。

2. 若算力与训练时间有限，可优先启用 Mosaic 与 HSV 增强，以较小的计算成本获得大部分性能收益。