小麦与大麦作物中黑麦草的多光谱精细分类研究及其在精准除草中的应用

针对除草剂抗性加剧与环境压力增大的问题，林肯大学团队通过多光谱成像与深度学习模型（CNN/Transformer），构建了Eastern England Blackgrass Dataset数据集，实现黑麦草检测准确率89.6%，为小麦/大麦田的精准喷洒（减少95%除草剂使用）提供关键技术支撑，对全球粮食安全与生态保护意义重大。

　　

研究背景与意义
全球小麦和大麦作为主粮作物面临严峻的杂草威胁，尤其是与作物形态相似的黑麦草（blackgrass）。这种禾本科杂草因除草剂抗性（herbicide resistance）问题，在欧洲西北部造成重大经济损失。传统广谱喷洒导致环境残留与抗性加剧，而精准喷洒（precision spraying）技术虽能减少95%除草剂用量，却依赖高精度的杂草识别系统。然而，现有研究多集中于阔叶杂草，对禾本科杂草的视觉检测存在明显空白。

为突破这一瓶颈，英国林肯大学（University of Lincoln）团队联合林肯农业机器人中心（Lincoln Agri-Robotics）开发了Eastern England Blackgrass Dataset——首个针对小麦/大麦田中黑麦草的多光谱图像数据集（15,000+图像，覆盖51块田地的土壤类型与季节变化），并系统评估了深度学习模型在跨田块泛化能力、光谱波段选择及数据量影响等关键问题。相关成果发表于《Computers and Electronics in Agriculture》，为农业机器视觉提供了重要技术基准。

关键技术方法
研究团队采集英国东部农田的多光谱图像，构建分层数据集（按田块、季节、地理位置划分）。采用ResNet-50、Swin Transformer等6种模型，对比可见光与近红外波段组合的识别效果，通过马修斯相关系数（MCC）和准确率评估性能，并分析训练数据量对模型的影响。

研究结果

1. 模型性能对比：Swin B模型以89.6%准确率最优，ResNet-50达86.6%，所有模型跨田块测试均超80%准确率。
2. 光谱波段作用：近红外波段对区分黑麦草贡献显著，结合RGB可提升分类效果。
3. 数据量影响：仅需50%训练数据即可接近峰值性能，表明小样本场景下仍可有效部署。

结论与讨论
该研究填补了禾本科杂草检测的技术空白，证实多光谱成像与Transformer架构在复杂农业场景的适用性。数据集公开将加速精准农业技术研发，尤其对黑麦草高抗性区域的非选择性除草剂精准应用（如草甘膦）具有实践指导价值。未来需进一步探索模型在实时机械除草（mechanical weeding）系统中的嵌入式部署，以推动可持续农业发展。

（注：全文细节均基于原文，未添加虚构内容；专业术语如precision spraying、MCC等首次出现时已标注英文原词；模型名称保留原文大小写格式如Swin B、ResNet-50；作者单位按要求处理为中文名称）