基于改进EfficientNetB0模型与RGB图像的藏红花田间智能杂草识别研究

为解决藏红花田间杂草精准管理难题，伊朗Shahrood University of Technology团队通过改进EfficientNetB0模型，利用504张自然场景RGB图像实现了94.06%的杂草分类准确率，为减少除草剂使用、提升藏红花品质提供了智能解决方案。

　　

藏红花（Crocus sativus L.）作为亚洲最具价值的药用植物之一，其生长过程中面临严峻的杂草竞争问题。传统人工除草易损伤作物且成本高昂，而过度使用除草剂又会导致环境污染和杂草抗药性。现有研究表明，39%-49%的农田需针对性施药，但复杂田间环境（如光照变化、植物遮挡）使得杂草精准识别成为技术难点。

针对这一挑战，伊朗沙赫鲁德理工大学联合托尔巴特海达里耶大学的研究团队在《Scientific Reports》发表研究，通过改进EfficientNetB0深度学习模型，开发出基于RGB图像的藏红花与四种常见杂草（荠菜、白花碎米荠、鼠大麦、野蒜）分类系统。研究团队在伊朗三个主要藏红花产区（南呼罗珊省、礼萨呼罗珊省、塞姆南省）采集504张自然光照条件下的田间图像，采用随机旋转（0.15）、平移（高宽因子0.1）等数据增强技术，对比测试了VGG19、ResNet152等8种卷积神经网络（CNN）架构。通过添加包含卷积层（Convolution 2D）、批量归一化（Batch Normalization）和全局平均池化（Global Average Pooling）的改进模块，最终构建的参数规模达845万的模型在测试集上实现94.06%准确率，F1-score达82%-100%。

关键技术包括：1）多区域图像采集（三星Galaxy A12手机48MP镜头）；2）自动化数据增强（表1参数）；3）迁移学习结合分层微调（冻结前20层）；4）Adam优化器（学习率0.001）与交叉熵损失函数；5）15种杂草共存场景模拟分析。

【材料与方法】
研究通过标准化图像尺寸（299×299/224×224像素）和归一化处理（式1），采用深度可分离卷积（Depthwise Convolution）和压缩激励层（Squeeze-and-Excitation）的MBConv模块构建基础网络。表3显示改进后的EfficientNetB0含8,452,294参数，其中非训练参数仅占0.54%。

【结果与讨论】
训练性能：模型在200个epoch后训练/验证集准确率达100%（表5），测试集损失值0.5132（图7）。分类报告（表6）显示藏红花类召回率100%但精确率70%，主要因野蒜误判（图8）。显著性热图（图9）证实模型聚焦叶片形态特征。

场景应用：15种杂草组合分析（表7）表明，单杂草场景中荠菜识别完美（100%），而白花碎米荠最低（91%）；多杂草场景下鼠大麦+荠菜组合达98%准确率（图10）。与同类研究对比（表8），该模型在自然条件下的性能优于水稻田（91.1%）和温室作物（88%）识别系统。

结论表明，该研究首次实现藏红花田间多杂草场景的实时识别，为精准施药机器人（SSWM）提供技术支撑。通过减少39%-49%的除草剂使用量（参考文献4），既保障了藏红花有机品质，又降低了环境耐药性风险。未来研究可扩展至更多杂草物种识别及三维形态特征融合。