智能除草装置在农田实际应用中面临杂草检测模型如何部署至移动设备，并实现对复杂背景下不同形状和特征的杂草快速精确识别的问题。针对农业移动除草设备的部署需求，本文以玉米苗期的杂草数据为检测目标，对YOLOv8(You Only Look Once)检测算法进行改进，提出了一种轻量化杂草目标检测算法。为了缩减模型规模，并提高模型在移动设备上的运行效率，将主干网络替换为改进后的Mobile Vi T(Mobile Vision Transformer)轻量级模型主干。与此同时，设计了颈部网络纳入轻量级卷积GSConv(Group-Steerable Convolution)和Vo VGSCSP(Voting-based Vision Guided Superpixel Co-Segmentation with Pooling)模块，以增强模型的特征提取能力和目标检测的精确度，提高模型检测的准确性和速度。通过将Distance-Io U(DIo U)与柔性非极大抑制（Soft-NMS）相结合的算法，改善了模型的收敛速度，并在多个目标重叠下达到了更高的平均准确率。通过自建的玉米田杂草数据集进行了实验验证，结果表明：轻量化的杂草识别模型参数量仅为1 083 025，相较于YOLOv8n减少了64%；模型的精确率和召回率分别达到了93%和92.6%, m AP50和m AP50-95指标分别为97.4%和88.1%；此外，单幅图像的检测速度达到了92.5帧/s，为该模型在农业边缘设备上的应用提供了条件。该算法在准确性、速度和模型规模方面取得了显著的改进，可以为智能除草装置在农田中的实际应用提供技术支持。
