基于关键点检测的玉米田间杂草生长点精准定位方法研究及其在智能除草中的应用

针对玉米田间杂草精准抑制的技术难题，山东农业大学团队创新性地提出SRD-YOLO模型，通过融合DWRM多尺度特征提取、RVB轻量化设计和SEAM遮挡补偿模块，实现了96.5%的mAP和169 FPS的高效检测。该研究为24小时全天候精准除草机器人提供了关键技术支撑，推动农业智能化发展。

　　

在玉米生产的早期阶段（2-5叶期），杂草与作物对水分、养分的激烈竞争会显著降低产量。传统除草方法往往针对整株杂草喷洒药剂，不仅效率低下，还可能误伤作物。随着精准农业技术的发展，激光除草和定向喷洒等新型手段迫切需要精确识别杂草生长点（即顶端分生组织区域）的技术支撑。然而，玉米田环境复杂——杂草种类多样、分布密集、光照多变，加之作物遮挡等问题，使得生长点定位成为国际农业工程领域的重大挑战。

山东农业大学的研究团队在《Plant Phenomics》发表了一项突破性研究。他们创新性地将人体姿态估计中的关键点检测技术迁移到农业场景，构建了SRD-YOLO模型。该研究首先建立了包含7类华北地区典型杂草（如牛筋草、马齿苋等）的数据集，涵盖昼夜不同光照条件下的1736张田间图像。为解决密集遮挡和计算资源受限等难题，团队设计了三大核心技术：扩张残差模块（DWRM）通过区域残差化和语义残差化两步策略增强多尺度特征提取；RepViT块（RVB）采用结构重参数化技术实现模型轻量化；分离增强注意力模块（SEAM）则利用通道-空间混合机制补偿遮挡特征。

研究结果显示，在生长点检测任务中，SRD-YOLO的mAP达到96.5%，较基线YOLOv8-Pose提升4.5%，模型参数量减少8.7M。特别在复杂场景下表现突出：对于被玉米叶片遮挡的牛筋草，检测准确率提升2.9%；在LED夜间照明条件下，对马齿苋等小型杂草的F1分数仍保持93%以上。通过部署在Jetson Orin NX边缘计算平台的Delta机械臂除草机器人上，系统实现了24 FPS的实时处理速度，验证了田间应用的可行性。

这项研究的创新性体现在三个方面：首次将关键点检测框架应用于杂草生长点定位；提出的DWRM模块通过反向感受野匹配策略显著提升密集目标的检测性能；SEAM模块开创性地利用注意力机制解决农业场景特有的遮挡问题。尽管在苋菜等叶片包裹型杂草的定位精度上仍有提升空间，但该技术已为精准农业提供了新范式。研究团队公开了部分数据集和模型权重，这将促进农业人工智能技术的协同发展，为可持续农业提供重要技术支撑。