基于无人机影像与深度学习优化模型的埃塞俄比亚苔麸作物杂草精准识别与除草剂智能喷洒研究

针对埃塞俄比亚主粮作物苔麸(Teff)因杂草竞争导致减产36-38%的产业难题，Alemu Setargew Kebede团队通过无人机(UAV)采集1308张高分辨率田间图像，结合长宽比(AR)、紧实度等形态特征，对MobileNetV2等7种深度学习模型进行优化。经数据增强和Nadam优化器调优后，微调MobileNetV2模型以96.40%准确率实现苔麸与杂草的精准区分，为无人机精准喷洒除草剂提供AI解决方案，可减少农药滥用并提升产量。

　　

在埃塞俄比亚，苔麸(Teff)是养育全国64%人口的主粮作物，但其生产长期受杂草侵袭困扰。传统人工除草效率低下，而广谱除草剂滥用又导致环境污染。更棘手的是，苔麸叶片狭窄（宽度仅1-2毫米），与常见杂草如莎草(Cyperus esculentus)、狗尾草(Setaria pumila)形态相似，在密集种植时更难区分。研究表明，杂草竞争可使苔麸生物量减少36%，籽粒减产38%，严重威胁粮食安全。

为解决这一难题，来自贡德尔大学和佛罗里达大学的联合团队在《Scientific Reports》发表创新研究。研究人员采用设计科学研究方法(DSR)，在贡德尔农业试验站和北阿姆哈拉农场，利用DJI Air 2S无人机在1-2米高度拍摄3056×3056像素图像，涵盖V3-V4生长阶段（3-4片真叶期）及晴雨不同条件。通过非锐化掩模处理运动模糊，采用高斯滤波（公式2）和颜色归一化（公式3）预处理后，创新性地引入长宽比(AR=高/宽)和紧实度(S=物体面积/凸包面积)等形态特征，结合K折交叉验证和Dropout正则化，对MobileNetV2、YOLOv8等模型进行优化比较。

关键技术包括：1) 多时段无人机影像采集（表1）；2) 基于Makesense.ai的边界框标注；3) 采用Nadam优化器（学习率0.0001）结合二元交叉熵损失函数；4) 测试COCO mAP（公式12）和IoU（公式10）指标；5) 100%数据增强将样本扩至2616张。

模型优化与比较

未微调时YOLOv8以90.4%准确率领先，但存在训练-测试差距大的过拟合问题（表5）。经Dropout和Nadam优化后，MobileNetV2训练/验证/测试准确率达98.7%/97.3%/96.4%（表7），其损失曲线（图6）显示最优收敛性。可视化检测（图7A）显示其边界框精度显著高于VGG16（图7D）。在COCO mAP评估中，微调后MobileNetV2以61.50%超越YOLOv8的51.13%（表9），推理耗时仅0.07秒（表8）。

形态特征增强

研究首次将AR和紧实度用于苔麸识别。苔麸因株型紧凑AR值较稳定（1.2-1.5），而杂草AR波动大（0.8-2.3）；紧实度方面，苔麸均值达0.85，显著高于杂草的0.62。这些特征使模型在叶片重叠场景下的F1-score提升至96.2%（表8）。

结论与展望

该研究突破性地解决了窄叶作物杂草检测难题，相比大豆（98%）、水稻（80%）等宽叶作物的检测模型（表10），首次实现苔麸的高精度识别。未来将集成至无人机喷洒系统，预计减少60%除草剂用量（参考文献29）。局限在于未评估多云天气下的性能，后续计划加入多光谱传感器提升鲁棒性。这项工作为发展中国家小农户提供了可负担的精准农业方案，对保障粮食安全具有重要实践意义。