基于质量感知定位与辅助坐标正则化的棉田杂草生长点单阶段检测框架ADQ-PACR

《Agronomy》：ADQ-PACR: A Deployable One-Stage Framework for Weed Growth-Point Localization in Cotton Fields

　　

精准除草需要联合进行植株检测与生长点定位，尽管存在冠层重叠和有限的嵌入式计算资源。本研究提出ADQ-PACR，一种结合质量感知定位与辅助坐标正则化的单阶段框架。ADQ联合预测生长点坐标、关键点有效性和尺度归一化的定位质量。PACR保持对主候选点的独立监督，并对坐标误差最小的辅助候选点进行监督。部署前移除辅助分支，保留固定的主路径。实验使用了2022年4月至7月在新疆沙雅和昌吉采集的3527张智能手机图像，涵盖棉花苗期至现蕾期，并包括反枝苋（Amaranthus retroflexus）、藜（Chenopodium album）和马齿苋（Portulaca oleracea）等杂草。评估使用343张固定测试图像和三个训练种子，采用通用评估器对从检测权重初始化的适配YOLO姿态基线以及使用预测框的两阶段系统进行比较。完整的ADQ-PACR框架相较于对应的YOLOv8n、YOLO11n和YOLO26n基线，平均关键点mAP50–95分别提升了3.29、2.56和2.17个百分点。YOLO11n实现获得了60.68 ± 0.11%的框mAP50–95和43.50 ± 1.55%的关键点mAP50–95。在Jetson AGX Orin上以MAXN模式进行的TensorRT FP16部署，在三种骨干网络上实现了20.85–22.22 ms的端到端延迟。

棉田杂草生长点精准定位：ADQ-PACR框架的研究解读

研究背景与问题

精准农业中的激光除草技术需要对杂草进行识别并精确定位其生长点（growth point），以确保能量高效作用于靶标组织。然而，现有研究面临多重挑战：首先，棉田中杂草种类多样，如反枝苋（Amaranthus retroflexus）、藜（Chenopodium album）和马齿苋（Portulaca oleracea）等，不同物种的生长点形态差异显著；其次，植株冠层重叠导致传统边界框中心点与真实生长点之间存在较大偏差；此外，嵌入式平台的计算资源有限，要求模型兼具高精度与低延迟。在数据集层面，约60.4%的实例缺乏可靠的生长点坐标标注，这要求模型必须能够处理不完整监督信号。针对上述问题，研究人员提出了ADQ-PACR框架，旨在实现可部署的单阶段联合检测与生长点定位。

研究方法与技术路线

研究人员构建了一个包含3527张图像、6571个实例的棉田单生长点数据集，图像于2022年4月至7月采集自新疆沙雅县和昌吉市华兴农场，涵盖棉花苗期至现蕾期，共包含9个植物类别。关键技术方法包括三个方面：第一，ADQ（Quality-Aware Single-Point Representation）模块，集成网格参考坐标回归、关键点有效性预测和尺度归一化定位质量估计；第二，PACR（Protected Auxiliary Coordinate Regularization）辅助坐标正则化机制，在主候选点独立监督基础上增加对最低误差辅助候选点的监督，并在训练后移除辅助分支；第三，在YOLOv8n、YOLO11n和YOLO26n三种骨干网络上实现该框架，并在Jetson AGX Orin嵌入式平台上完成TensorRT FP16部署验证。

研究结果

整体性能比较

ADQ-PACR/YOLO11n在所有对比方法中获得最高平均关键点mAP_50–95，达43.50±1.55%，相比YOLO11n-pose提升2.56个百分点，并将平均P90误差从33.17像素降至26.71像素（降低19.5%）。在YOLOv8n和YOLO26n上，ADQ-PACR使平均关键点mAP_50–95分别提升3.29和2.17个百分点。所有ADQ-PACR实现的平均推理速度均超过100 FPS。

组件消融研究

以GDC为基础，单独添加LQ或PACR分别使平均关键点mAP_50–95提升0.73和0.46个百分点。当LQ启用时，PACR额外贡献1.18个百分点。完整ADQ-PACR相比GDC在关键点AP50、AP75和mAP_50–95上分别获得1.90、2.98和1.91个百分点的增益。

跨骨干网络适用性

ADQ-PACR在YOLOv8n、YOLO11n和YOLO26n三种骨干网络上，平均框mAP_50–95分别提升7.43、4.00和10.62个百分点，平均关键点mAP_50–95分别提升3.29、2.56和2.17个百分点，验证了框架的跨骨干适用性。

定性比较

在小目标、部分遮挡和邻近植株三类场景中，ADQ-PACR/YOLO11n的定位误差均小于YOLO11n-pose，且在匹配失败案例中仍展现出更优的检测与关联能力。

Jetson AGX Orin部署

ADQ-PACR在Jetson AGX Orin上以FP16推理，三种骨干网络的端到端延迟为20.85–22.22 ms，对应45.01–47.97 FPS。相比原生模型，延迟增加0.60–2.01 ms，但保持了更高的平均关键点精度。

讨论与结论

讨论

ADQ-PACR通过联合检测与单生长点定位补充了现有杂草感知研究，其设计特点在于训练后移除辅助分支，保留2.777–2.877百万参数的紧凑模型用于部署。在固定阈值下的端到端定位成功率分析显示，从置信度阈值0.25升至0.70时，ADQ-PACR/YOLO11n成功率下降8.05个百分点，优于YOLO11n-pose的11.28个百分点降幅。失败模式分析表明，在269个有效关键点实例中，59个满足失败标准，其中检测或实例关联错误占38例，低可见性或语义歧义占11例，解剖位置错误占10例。研究局限性包括：数据仅覆盖单一采集季节，跨季节泛化能力未验证；双向跨站点迁移实验中，胡杨至沙雅方向ADQ-PACR/YOLO11n的平均关键点mAP_50–95为22.57±1.35%，而沙雅至胡杨方向仅为5.02±1.25%，表明收益依赖于迁移方向；替代γ和K值的影响未完全表征；闭环除草性能尚未验证。

研究结论

ADQ-PACR联合建模生长点坐标、关键点有效性和定位质量，在训练中使用受保护的辅助坐标正则化。移除辅助分支后保留用于检测和主候选点定位的紧凑路径。在所研究的棉田数据集上，三种骨干网络实现均获得了高于原生姿态基线的平均关键点mAP_50–95，Jetson AGX Orin上的测量结果验证了嵌入式推理的可行性。物理尺度校准和闭环操作验证仍是评估田间性能的必要条件，未来工作将聚焦车载成像和闭环试验。