基于轻量级CNN模型的边缘设备实时杂草检测与分割技术研究及其在精准农业中的应用

本研究针对精准农业中实时杂草识别的技术瓶颈，创新性地开发了适用于边缘设备的轻量级CNN模型。研究人员通过替换SSD和DeepLabv3+模型的骨干网络为MobileNetV3，并开发新型MobileNetV4-Seg模型，在Jetson系列边缘设备上实现了30-44 FPS的实时性能。实验表明，改进模型在玉米和大豆田间Palmer Amaranth检测中IoU达69.9-76.8%，F1分数达82.3-86.9%，为无人机精准施药系统提供了可行的技术方案。

　　

在现代农业领域，杂草与作物争夺养分导致的经济损失触目惊心——北美玉米和大豆田因杂草造成的年均减产分别高达52%和49.5%，潜在经济损失达430亿美元。传统均匀喷洒除草剂的方式不仅造成化学物质滥用，更导致杂草抗药性增强。虽然基于计算机视觉的精准杂草管理(SSWM)技术应运而生，但现有研究多聚焦于模型精度提升，忽视了在资源受限的边缘设备上实现实时检测这一关键需求。

针对这一技术瓶颈，来自美国内布拉斯加大学的研究团队在《Computers and Electronics in Agriculture》发表重要研究成果。该研究创新性地开发了适用于边缘设备的轻量级CNN模型，成功实现了Palmer Amaranth杂草的实时检测与分割。研究团队采用了两阶段技术路线：首先在PC端筛选优化模型架构，随后在Jetson Nano和Orin Nano边缘设备上部署验证。关键技术包括：1)采用无人机采集玉米和大豆田的RGB图像数据集；2)使用MobileNetV3替换SSD和DeepLabv3+的原始骨干网络；3)开发基于MobileNetV4的新型语义分割架构；4)在边缘设备上评估IoU、F₁分数和FPS等关键指标。

研究结果部分，在"3.1. Selected OD and SS models with original backbones on PC"中，通过300轮训练比较发现，SSD在玉米数据集上的IoU(64.3%)和F₁分数(75.8%)显著优于YOLOv3，DeepLabv3+的mIoU(61.0%)和推理速度(50 FPS)也超过U-Net，因此选择这两款模型进行后续优化。

"3.2. Performance comparison of lightweight OD and SS models on edge devices"展示了边缘设备上的突破性表现：轻量化SSD在Jetson Nano上达到33 FPS实时速度，玉米田检测F₁分数75.5%；改进的DeepLabv3+获得10 FPS和77.0% F₁分数。特别值得注意的是，新型MobileNetV4-Seg在Orin Nano上实现44 FPS超实时性能，大豆田分割IoU高达76.8%，F₁分数86.9%，展现了卓越的精度-速度平衡。

在"4. Discussion"部分，作者深入分析了技术优势：MobileNetV4-Seg仅含1.93M参数，通过创新的编码器-解码器结构和残差连接，在保持计算效率的同时提升了特征融合质量。相比需要3.2M参数的YOLOv8n，新模型在参数量减少40%的情况下实现了更优性能。研究也坦诚指出当前数据规模有限、Jetson Nano算力约束等局限性，为后续研究指明了方向。

这项研究的科学价值在于：首次系统评估了轻量级OD与SS模型在农业边缘计算场景的性能边界，打破了"语义分割难以实时"的传统认知。提出的MobileNetV4-Seg架构为资源受限设备上的密集预测任务提供了新思路。实际应用中，44 FPS的推理速度可支持12 mph移动速度的无人机精准施药，为减少90%除草剂用量的环保目标提供了技术保障。该成果不仅推动了精准农业的技术革新，其模型优化方法论也可拓展至其他边缘计算场景，具有广泛的产学研价值。