编辑推荐：
为解决杂草检测需大量标注数据集及时空变异难题，研究人员基于西班牙番茄田 2021-2022 年数据，用 YOLOv8、YOLOv9、YOLOv10、RT-DETR 模型开展多维度分析。发现时空分析 mAP 达 0.91，表明整合多年数据可提升模型精度与效率。
在农业生产的广袤天地里，杂草如同不速之客，肆意争夺作物的水分、养分与阳光，不仅导致产量锐减、成本攀升，还可能成为病虫害的温床。传统 “地毯式” 喷洒除草剂的方式，虽在一定程度上遏制了杂草的嚣张气焰，却带来了农药残留、环境污染以及杂草抗药性等一系列棘手问题。如何在精准打击杂草的同时，减少对环境的负面影响，成为农业领域亟待攻克的难题。Site-specific Weed Management（SSWM，精准杂草管理）理念的提出，如同一束曙光，为解决这一困境指明了方向。它倡导根据杂草的密度、空间分布和类型进行有针对性的治理，而实现这一目标的关键，在于能否精准、高效地检测和识别杂草。
在这样的背景下，西班牙研究人员开展了一项颇具意义的研究，相关成果发表在《Agricultural Systems》。他们聚焦于番茄田常见的五种杂草（包括香附子Cyperus rotundus L.、稗草Echinochloa crus-galli L.、狗尾草Setaria verticillata L.、马齿苋Portulaca oleracea L. 和龙葵Solanum nigrum L.），旨在利用深度学习（DL）模型提升杂草检测的准确性和时空稳定性。
研究人员主要采用了以下关键技术方法：在西班牙巴达霍斯省圣阿马利亚的商业番茄田，于 2021 和 2022 生长季，使用高分辨率佳能相机按 “M” 形轨迹系统采集图像；专家对杂草种类进行人工标注，同时对图像进行增强和分割以增强数据集鲁棒性；运用 YOLOv8、YOLOv9、YOLOv10、RT-DETR 等深度学习模型，在不同的时间（基于年份）、空间（基于田地）和时空（组合）数据集上进行训练，利用预训练权重和一致的超参数，并使用平均精度（AP）和平均平均精度（mAP）评估模型性能。
结果与讨论
- 时间分析：仅依赖前一年数据时，平均平均精度（mAP）为 0.7，说明仅依靠历史数据的模型效果有限，难以充分应对当年可能出现的新变化和差异。
- 空间分析：使用同年不同田地的数据时，精度有所提升，mAP 在 0.81-0.89 之间。这表明同一时期不同空间环境下的数据整合，能让模型更好地适应不同田地的条件差异，提高检测准确性。
- 时空分析：结合多年数据集的时空分析获得了最高精度，mAP 高达 0.91。这充分验证了整合不同时期多样化数据的优势，多维度的数据能更全面地反映环境条件、土壤类型和杂草出苗模式等因素，使模型具备更强的泛化能力和稳定性。
结论
该研究表明，深度学习模型能够在不同的时空条件下准确检测和分类关键杂草物种，为番茄田的精准杂草管理提供了有力支持。实验结果显示，虽然仅进行时间分析的性能中等，但整合空间和时空数据可显著提高模型精度，最佳 mAP 分数达到 0.91。在评估的模型中，YOLOv8 和 YOLOv9 表现较为稳定。
这项研究具有重要的意义：整合多年数据集大大提高了基于深度学习的杂草检测模型的精度和效率，减少了对劳动密集型标注过程的依赖，加速了模型部署，并增加了数据集的可变性，从而培养了更强大和准确的预测能力。该分析确保了环境条件、土壤类型和杂草出苗模式的全面代表性，将该方法的适用性扩展到番茄商业田的原始采样区域之外。此外，采样区域的环境和农业条件与世界其他主要番茄产区相似，支持了实验的可重复性和研究结果的更广泛适用性，为全球精准农业的发展提供了有益的参考和借鉴，有望推动农业朝着更精准、更可持续的方向迈进。
