基于增强MobileViT模型的移动设备实时杂草识别方法研究

本研究针对农业环境中杂草识别模型参数量大、计算复杂和识别速度慢的问题，提出了一种基于改进MobileViT架构的轻量级杂草识别方法。研究人员通过多尺度视网膜增强算法(MSRECR)预处理图像数据，结合ECA模块优化MobileViT模型，在CornWeed数据集上实现了98.51%的F1值和89ms/帧的识别速度。该研究为移动嵌入式设备上的实时杂草识别提供了高效解决方案，对精准农业具有重要意义。

　　

在精准农业领域，杂草的快速增殖会与作物竞争光照、水分和养分，传统人工除草效率低下且成本高昂。尽管基于卷积神经网络(CNN)的杂草识别技术已取得显著进展，但现有模型普遍存在参数量大、计算复杂等问题，难以部署在计算资源有限的移动嵌入式设备（如除草机器人）上。同时，农田环境的复杂性（如光照变化、杂草遮挡等）对模型的泛化能力提出了更高要求。

针对这些挑战，长春科技大学的研究团队在《Scientific Reports》发表了一项创新研究。该工作通过融合多尺度视网膜增强算法与改进的MobileViT架构，开发出兼具高精度和实时性的轻量级杂草识别系统。研究采用CornWeed公开数据集（包含5,998张玉米幼苗及伴生杂草图像），通过多尺度高斯金字塔分解和动态参数调整的MSRECR算法预处理图像，结合旋转/裁剪等数据增强技术将样本量扩展至4,000张。模型架构方面，创新性地在五阶段MobileViT网络中嵌入ECA模块，通过3×3和1×1卷积的级联设计实现局部特征与全局语义的高效学习。

图像增强效果验证
比较实验显示，经MSRECR处理的图像在阴影区域SSIM指标提升18.3%，过曝光图像PSNR提高4.2dB，边缘模糊图像的梯度幅值相似度增加22.5%。如图2所示，增强后图像的目标检测置信度从0.64-0.79提升至0.64-0.97，有效解决了相似形态杂草的误检问题。

模型性能对比
如表1所示，改进模型以12.2MB体积实现98.56%准确率，较DenseNet-161参数量减少96%但精度提高0.8%。在Raspberry Pi 4B平台上的推理时间仅89ms，较原MobileViT-S提速45%（表2）。可视化分析（图5）证实该模型能精准聚焦杂草关键形态特征，在藜草等相似物种识别中显著优于MobileNetv2等对比模型。

模块消融实验
如表3所示，单独使用图像增强可使mAP提升2.4%，而ECA模块的引入进一步将光照遮挡场景下的识别精度提高5.3%。二者协同工作时，模型在形态相似杂草间的区分能力达到96.1% mAP。

该研究通过MobileViT与ECA模块的创新结合，首次在移动设备上实现了农田复杂环境下的实时杂草识别。相比传统CNN模型，改进方案在保持<1%精度损失的同时，将计算复杂度降低两个数量级。这项工作为轻量化农业视觉系统提供了新范式，其动态参数调整策略对解决类似场景下的光照适应问题具有普适参考价值。未来研究可进一步探索模型在无人机等移动平台上的部署优化，推动精准除草技术向更广领域发展。