编辑推荐：
为解决精准农业中实时区分作物与杂草、减少除草剂使用的问题，研究人员对比 YOLOv8、v9、v10 及 RT-DETR 模型在 16 种植物的 5611 张图像上的性能。发现 YOLOv9s/e 在数据集 2 中表现优异，RT-DETR-l 精度高，小模型 inference time 快，为智能除草系统提供依据。
在农业生产中，除草剂的广泛使用虽有效控制杂草却带来环境危害、威胁人类健康且导致资源浪费。传统均匀喷洒方式忽视杂草分布不均和物种差异，既低效又加剧污染。因此，实现精准的实时杂草检测与分类，成为减少化学投入、推动可持续农业的关键挑战。来自德国霍恩海姆大学（University of Hohenheim）的研究团队，在《Precision Agriculture》发表研究，聚焦基于深度学习的实时杂草检测技术，对比分析 YOLO 系列与 Transformer 架构的 RT-DETR 模型性能，为精准农业中的智能除草系统开发提供重要参考。
研究采用德国霍恩海姆大学海德菲尔德研究站采集的 5611 张自然环境图像，涵盖 3 种作物（向日葵、冬小麦、玉米）和 13 种杂草（9 种双子叶、4 种单子叶）。构建两类数据集：数据集 1 包含 16 个独立物种；数据集 2 将杂草分为单子叶、双子叶两类，作物保持独立。通过五折交叉验证，在 NVIDIA GPU 和 CPU 上测试模型的检测精度（Precision、Recall、mAP50、mAP50-95）和推理时间（inference time）。
模型性能对比
所有模型表现相近，但存在差异：
- YOLOv9 系列：在数据集 2 中，YOLOv9s 和 YOLOv9e 展现高召回率（66.58%、72.36%）和 mAP50（73.52%、79.86%），mAP50-95 达 43.82% 和 47.00%，表明其在多类别检测中具有强鲁棒性。
- RT-DETR-l：在数据集 1 和 2 中精度分别达 82.44% 和 81.46%，显著降低误检率，适合需高精准度的场景。
- 推理效率：小型 YOLO 模型（如 YOLOv8n、YOLOv9t、YOLOv10n）在 RTX 4090 GPU 上推理时间低至 7.64 ms，而 CPU 推理时间显著增加，突显硬件对实时应用的影响。
类间检测差异
在物种级检测（数据集 1）中，RT-DETR-l 对双子叶杂草反枝苋（Amaranthus retroflexus L.）检测精度达 88%，YOLOv9c 对玉米（Zea mays L.）召回率 78.22%。但单子叶杂草狗尾草属（Setaria spp.）因叶片纤细等形态特征，各模型检测精度均较低（AP50-95 约 30%）。分组检测（数据集 2）中，双子叶类检测精度超 80%，单子叶类因物种差异大，精度略低。
硬件适应性与实际应用
GPU 设备（如 RTX 4090）显著提升推理速度，YOLOv8n 在 GPU 上推理时间仅为 CPU 的 1/10 至 1/20。RT-DETR-l 虽精度高，但推理时间长于小型 YOLO 模型，更适合配备高性能硬件的场景；而 YOLOv9t 等轻量级模型适用于嵌入式系统（如农业机器人），可满足实时决策需求。
研究表明，YOLOv9 系列在检测精度与速度间取得平衡，RT-DETR-l 在减少误检方面优势显著，小型 YOLO 模型则适合资源受限环境。这些发现为精准农业中按需选择模型提供依据：需高精准度的喷雾场景可选 RT-DETR-l；追求实时性的移动机器人则优选 YOLOv9t 等轻量模型。未来研究需进一步优化模型对小目标和复杂场景的适应性，结合多模态数据提升鲁棒性，推动深度学习在智能除草中的广泛应用，助力农业可持续发展。
