杂草精准检测是自动化除草装备的关键技术。针对田间杂草分布复杂和种类繁多导致的检测复杂度高和鲁棒性差等问题，基于自研移动机器人平台，提出一种改进YOLOv5算法和图像处理的蔬菜苗田杂草检测方法。通过识别蔬菜间接检测杂草的方式降低杂草检测复杂度，进而提高检测精度和鲁棒性。在YOLOv5目标检测算法主干特征提取网络中引入卷积块注意力模块(CBAM)提高网络对蔬菜目标的关注度，加入Transformer模块增强模型对全局信息的捕捉能力。结果表明，改进YOLOv5算法对蔬菜目标的平均检测准确率可达95.7%，与Faster　R-CNN,SSD,EfficientDet,RetinaNet,YOLOv3,YOLOv4和YOLOv5算法相比，分别提高了5.8%,6.9%,10.3%,13.1%,9.0%,5.2%和3.2%。算法单幅图像平均检测时间11　ms，具有较好的实时性。采用改进YOLOv5算法检测蔬菜，将蔬菜边框之外绿色植物定义为杂草，超绿特征(ExG)结合OTSU阈值分割法将杂草与土壤背景分割，最后标记杂草连通域输出杂草质心和检测框。本研究方法可为农业自动化精准除草提供借鉴。