基于无人机遥感的杂草实时识别与空间分布制图研究

为解决精准变量施药及杂草管理难题，研究人员开展基于无人机（UAV）遥感的杂草实时识别与空间分布制图研究。提出 SHATL-YOLOv8s 模型，结合多种技术优化，结果显示模型性能显著提升，为精准农业提供技术指导。

　　

在农田生态系统中，杂草如同隐藏的 “掠夺者”，与小麦等作物争夺阳光、水分和土壤养分，不仅导致作物产量和品质下降，威胁粮食安全，还迫使农民面临人工除草效率低下、成本高企，以及大规模喷施除草剂引发的抗药性、土壤污染等多重困境。如何在杂草幼苗阶段精准识别其种类并掌握空间分布，成为实现精准变量施药、推动农业可持续发展的关键瓶颈。

为攻克这一难题，西北农林科技大学的研究人员开展了深入研究，相关成果发表在《European Journal of Agronomy》。研究团队旨在开发一种基于无人机遥感的实时杂草识别与空间分布制图方法，以提升复杂农田环境下的杂草管理效率。

研究采用的关键技术包括：利用 DJI Phantom 4 RTK 无人机采集低空遥感图像构建数据集；基于 YOLOv8s 改进提出 SHATL-YOLOv8s 轻量化模型，引入 Slide 损失函数处理样本不平衡问题，采用 Haar 小波下采样（HWD）-Adown 模块替代卷积模块以增加特征通道，设计任务动态对齐检测头（TDADH）强化特征捕捉，并通过层自适应幅度剪枝（LAMP）算法压缩模型参数；结合无人机高精度定位技术获取杂草经纬度坐标；开发集成无人机控制、实时识别与制图功能的 Android 应用。

数据集构建

研究人员于 2024 年 2 月下旬至 3 月中旬，在陕西杨凌曹新庄及西北农林科技大学小麦试验田（108°4′E，34°17′N），利用无人机以 2 米高度、1 米 / 秒速度按预设航线采集杂草图像，构建了包含多种杂草类型的数据集，为模型训练奠定基础。

SHATL-YOLOv8s 模型性能分析

训练结果显示，模型损失曲线在 40 轮次内快速收敛，270 轮次左右趋于稳定，损失值约 0.41；平均精度均值（mAP）在 80 轮次后稳定在 89.10% 左右。测试集评估表明，模型对五种常见麦田杂草的平均精度（AP）分别达 89.30%、88.10%、90.60%、86.10% 和 91.30%，展现出对不同杂草种类的高识别能力。

模型改进效果分析

通过消融实验验证，Slide 损失函数提升了对难样本的关注，HWD-Adown 模块保留了更多杂草特征细节，TDADH 增强了特征对齐与检测精度，LAMP 算法则使模型参数（Params）降至 3.10 M（较 YOLOv8s 减少 72.15%），浮点运算量（FLOPs）降至 16.00 G（减少 43.66%），模型体积仅 6.20 MB（减少 71.16%），检测速度达 80.64 FPS（提升 7.18%），兼顾精度与轻量化。Android 设备测试显示，识别精度超 88.00%，检测速度 29.31 FPS，满足实时应用需求。

空间分布制图与应用

基于无人机高精度定位获取的杂草坐标，生成包含混生阔叶与禾本科杂草、阔叶杂草、禾本科杂草三类的空间分布地图，平均精度达 89.98%，为差异化施药策略提供了精准空间数据支撑。

研究构建了 “数据采集 - 智能识别 - 精准定位 - 实时制图” 的完整技术链条。SHATL-YOLOv8s 模型通过多模块优化，在复杂背景、目标尺度变化及图像模糊等挑战下，实现了麦田杂草种类的高精度识别与轻量化部署，Android 应用的开发更推动了技术向田间作业端的转化。杂草空间分布制图突破了传统仅区分作物与杂草的局限，细化至种类级别，为靶向施用除草剂、减少农药滥用、降低环境负荷提供了科学依据，对提升精准农业水平、促进农业可持续发展具有重要实践意义。研究成果不仅为麦田杂草管理提供了新范式，也为其他作物场景的智能植保技术研发提供了方法借鉴。