【摘要】[目的]为了实现草坪维护的精准化施药，针对自然环境中杂草与草坪草颜色相近导致杂草难以识别的问题以YOLOv5s为基础目标检测网络，提出一种突出输入图片颜色信息的草坪杂草检测模型。[方法]为了扩充RGB颜色通道的维度，对输入图片进行切片，扩展RGB通道数为原来的4倍。然后，为了实现基于颜色特征的注意力机制，对切片后的图片进行全局平均池化和全局最大池化，提取原图片中的颜色信息，对颜色通道进行加权，提高对单色目标检测效果。为了进一步增强网络对于形状相似颜色不同的不同目标的识别效果，改进SPPF模块为SPPFCSPC模块，进一步提高本文网络在不同草坪环境下的杂草识别精度。[结果]改进后的YOLOv5s网络对于单色目标识别效果较好，本文改进的YOLOv5s模型对普通草坪上杂草的检测精确率达到92.8%，召回率为97%，mAP@0.5为94.3%，帧率为104f/s，模型内存占用量13.8 MB；比使用Focus模块的YOLOv5s检测精度提高4.1%，比使用conv模块的YOLOv5s检测精度提高5.4%，在疏林草坪的检测结果mAP@0.5达到95.7%。[结论]本文算法可有效地识别多种自然环境中的草坪杂草，可为草坪杂草精准化施药提供支持，具有明显的实际应用价值。此外，通过试验对比，证明本文改进模块对颜色的敏感度较好，为与背景颜色相似度较高的单色目标检测提供技术参考。