基于RGB与近红外多光谱成像的卷心菜田间杂草检测：YOLOv10l模型在精准农业中的应用

本研究针对精准农业中杂草检测的挑战，创新性地结合RGB与近红外(NIR)多光谱成像技术，采用YOLOv10l深度学习模型，实现了卷心菜田间13种杂草的高精度分类（mAP@0.5达94.9%）。通过开发四波段差异植被指数(FBDVI)优化图像分割，显著提升半自动标注效率，为减少除草剂使用提供智能化解决方案。

　　

在传统农业生产中，杂草防控长期依赖广谱除草剂的粗放式喷洒，不仅造成环境污染，还增加了生产成本。随着精准农业技术的发展，如何实现作物与杂草的精准识别成为关键科学问题。现有基于可见光(RGB)的检测方法受限于复杂田间背景干扰，而高成本的高光谱技术难以普及。针对这一技术瓶颈，来自捷克生命科学大学的研究团队在《Smart Agricultural Technology》发表创新成果，通过融合近红外(NIR)与RGB成像的优势，开发出适用于卷心菜田的智能杂草检测系统。

研究采用多平台数据采集策略，在波希米亚地区历时两年获取包含14类植物（1种作物+13种杂草）的8770张图像。关键技术包括：1) 自主研发LED闪光照明系统搭配JAI FSFE-3200T-10GE相机，同步采集2048×1536像素的RGB-NIR图像；2) 提出四波段差异植被指数(FBDVI=(NIR+G-1.2R-0.5B)/(NIR+G+1.2R+0.5B+64)-0.01)*1.13替代传统NDVI，提升植被分割精度；3) 采用YOLOv10l架构训练四通道(4CH)模型，对比测试YOLOv8/9系列性能。

【数据预处理】
FBDVI指数有效克服NDVI对红色植物的低敏感性，实现151662个标注对象的精准分割（最小识别尺寸2×2.5mm）。数据增强策略使训练集涵盖不同土壤类型与生长季的植物表型变异。

【分类结果】
YOLOv10l以94.9% mAP@0.5显著优于YOLOv8l(93.3%)和YOLOv9l(93.5%)。NIR数据使目标杂草物种检测精度提升至97.8%，其中卷心菜分类AP达99.2%。混淆矩阵显示NIR主要改善"dicot"和"ograss"类别的背景区分，误检率降低6个百分点。

【技术优势】
尽管RGB-NIR模型推理时间增加7%(85.3ms vs 79.4ms)，但其通过：1) 利用植物组织在NIR波段的高反射特性增强特征提取；2) 降低图像噪声对标注的影响，使半自动标注效率提升40%。模型参数量(29.5M)和计算量(924.1B FLOPs)在同类中表现均衡。

这项研究证实了多光谱成像与轻量化深度学习结合的可行性，为精准除草提供技术支撑。研究者特别指出，该系统的田间适用性仍需通过更多气候带数据验证，未来将通过注意力机制优化和边缘计算部署进一步降低成本。该成果不仅适用于杂草管理，其多光谱分析框架还可拓展至作物胁迫监测、生物量评估等农业场景，推动可持续农业发展。