CWRepViT-Net：基于编码器-解码器架构与RepViT模块的农田作物-杂草语义分割深度学习框架及其在大豆田全生育期精准识别中的应用

本研究针对大豆田中作物与杂草精准分割难题，提出新型编码器-解码器深度学习框架CWRepViT-Net，集成RepViT编码器与MUNet解码器模块，利用无人机RGB影像实现五类（土壤、大豆、自生油菜、阔叶杂草与禾本科杂草）高精度语义分割。模型总体精度达95.87%，Kappa系数0.91，为早期杂草精准管理和减药增效提供关键技术支撑。

　　

随着全球人口持续增长，农业产品需求大幅上升，这对农业生产效率提出了更高要求。杂草作为影响作物产量的主要生物胁迫因素，传统除草方式往往依赖全田喷洒除草剂，不仅增加环境化学负荷，还导致抗性杂草种群扩散。因此，发展精准、高效的杂草识别与管理系统已成为智慧农业领域的迫切需求。近年来，结合遥感技术与深度学习（Deep Learning, DL）方法在作物与杂草识别中展现出巨大潜力，尤其是无人机（Unmanned Aerial Vehicle, UAV）所获取的高分辨率图像为田间精细化管理提供了数据基础。

尽管已有研究利用卷积神经网络（Convolutional Neural Networks, CNNs）和视觉Transformer（Vision Transformers, ViT）等进行作物与杂草分割，但在实际应用中仍存在诸多挑战：包括幼苗期识别困难、叶片遮挡与重叠、光照变化影响以及模型计算效率与精度之间的平衡等。此外，大多数现有方法依赖于大量标注数据，而农业场景中高质量标注样本稀缺，限制了模型的泛化能力。

为此，来自加拿大曼尼托巴大学的研究团队在《Smart Agricultural Technology》上发表了一项研究，提出了一种名为CWRepViT-Net的新型编码器-解码器深度学习框架，专门用于大豆田中作物与杂草的语义分割。该模型在Encoder路径中采用RepViT（Revisiting Mobile CNN from a ViT Perspective）模块，在Decoder路径则使用改进的UNet（MUNet）模块，结合半迁移学习（Semi-Transfer Learning, Semi-TL）技术，在多个大豆生育期内实现了高精度、高效率的五类分割任务。

该研究的主要技术方法包括：使用DJI Matrice 300 RTK无人机搭载Zenmuse L1 LiDAR传感器于2024年6月至7月期间在大豆不同生育阶段（21、26、33、39、45和52天 after seeding, DAS）采集RGB图像；通过QGIS软件进行地面真实（Ground Truth, GT）标注，构建包含土壤、大豆、自生油菜（volunteer canola）、其他阔叶杂草和所有禾本科杂草的五类标签数据集；对图像进行128×128像素分块、归一化及数据增强（旋转90°、180°、270°）；采用Focal Loss作为损失函数，并利用Adam优化器进行训练。

研究结果显示出CWRepViT-Net卓越的性能：

1. 1.
   模型整体性能方面：CWRepViT-Net在测试集上达到95.87%的整体精度（OA）和0.91的Kappa系数（KC），显著优于MobileNetV3、MobileViT、TinyNet和TinyViT等对比模型。其交并比（IoU）达97.35%，F1-score为98.76%，表明该模型在复杂农田场景中具有极高的分割一致性与准确性。
2. 2.
   多类别分割效果：在网络输出的混淆矩阵中，大部分类别分割准确率超过90%。其中，阔叶杂草因与大豆和自生油菜在形态上高度相似成为最具挑战的类别，但CWRepViT-Net仍能有效区分。特别是在高密度混杂区域、阴影条件及不同光照环境下，模型均表现出较强的鲁棒性。
3. 3.
   不同生育阶段的适应性：模型在21 DAS（大豆V1阶段）至52 DAS（R1–R2阶段）的六个时间点均保持稳定性能。即使在作物与杂草叶片高度重叠、光照不均、湿度变化等条件下，模型也能准确识别并保持边界完整性。
4. 4.
   对比与消融实验：消融研究表明，单独使用RepViT（S#1）或MUNet（S#2）作为网络骨架时性能均下降，证明Encoder-Decoder组合架构的有效性。同时，与现有先进模型相比，CWRepViT-Net在参数规模与训练速度间取得最佳平衡，仅需33分10秒完成训练，适用于实际农田环境中的实时处理需求。

结论与讨论部分指出，CWRepViT-Net不仅在大豆田作物与杂草语义分割任务中表现出色，还具备较强的泛化能力与实用性。该研究首次将RepViT结构引入农业图像分析领域，结合半迁移学习策略有效缓解了标注数据不足的问题。所构建的数据集也成为AI农业应用领域的重要资源。该方法对推动精准杂草管理、减少除草剂使用、提高作物产量具有重要意义，未来可进一步拓展至多光谱遥感数据及其他作物—杂草系统中的应用。

综上所述，这项研究通过创新性地融合轻量化视觉Transformer与卷积神经网络优势，实现了复杂农田环境下的高精度语义分割，为智慧农业提供了可靠的技术支持与解决方案。