基于优化YOLO模型的边缘设备多类杂草与作物实时检测技术研究

为解决动态环境条件下杂草与作物高相似度导致的识别难题，研究人员开展基于优化YOLO模型的边缘计算研究，开发出YOLO11n和YOLO11-edge-base等轻量化模型，在NVIDIA Jetson AGX Orin设备上实现mAP@0.5达0.83、推理速度6.7 ms的高效检测，为精准农业智能喷洒系统提供关键技术支撑。

　　

在农业生产中，杂草与作物的"视觉相似性"一直是精准农业的痛点。由于形态、颜色和纹理的高度重叠，传统除草方法往往"敌我不分"，导致除草剂滥用、土壤污染和抗药性杂草滋生。更棘手的是，现有深度学习模型在复杂田间环境下的实时检测能力不足，难以部署到计算资源有限的边缘设备上。

针对这一系列挑战，North Dakota State University（NDSU）的研究团队在《Journal of Agriculture and Food Research》发表了一项突破性研究。该团队创新性地优化了YOLO系列算法，开发出适用于边缘设备的轻量化模型，在保持高精度的同时将推理速度提升至毫秒级。这项研究不仅解决了动态环境下多物种识别的技术瓶颈，更为田间实时智能除草系统提供了可行性方案。

研究人员采用三大关键技术：首先利用配备RGB相机的无人地面车辆(UGV)在北美达科他州多地采集4828张标注图像，构建含5种杂草和8种作物的多类数据集；其次基于YOLOv10/YOLO11架构开发定制化模型，通过C3K2模块和深度可分离卷积(DWconv)优化计算效率；最后在NVIDIA Jetson AGX Orin边缘设备上测试模型性能，采用TensorRT加速实现实时推理。

研究结果部分显示：在模型性能方面，YOLO11n以mAP@_0.5 0.83和F1-score 0.783成为最优模型，其推理速度达10 ms。轻量化改造的YOLO11-edge-base更将参数减少83.46%，模型体积压缩80.91%，在保持0.819 mAP@_0.5的同时将推理时间降至6.7 ms。

在物种识别差异方面，玉米凭借独特形态特征获得最高识别率（mAP@_0.5 0.933），而表型相似的杂草如水麻（waterhemp）与红根苋（redroot pigweed）因叶片特征重叠导致识别率仅约0.7。值得注意的是，尽管马齿苋（horseweed）样本量最少（890例），但其独特纹理仍使识别率达到0.845-0.901。

讨论部分强调，该研究首次实现了在13类作物-杂草系统中平衡精度与速度的突破。通过模型架构创新（移除P5特征图、简化neck结构）和TensorRT格式优化，使YOLO11-edge-base在边缘设备上达到6.2 ms的实时处理能力。相比前人研究，该工作显著提升了复杂场景下的泛化能力，如成功区分易混淆的亚麻（flax）与扁豆（lentil）。

这项研究的现实意义在于：为智能喷洒系统提供了可落地的技术方案，据测算可减少83%的除草剂使用量。未来通过扩展杂草物种库和优化小目标检测，该技术有望成为精准农业的标准配置，推动农业生产的可持续发展。