《Smart Agricultural Technology》：Keypoint Detection-Based Localization of Weed Growth Points for Laser Weeding in Sugarcane Fields
编辑推荐：
针对甘蔗田复杂环境下激光除草对杂草生长点精准定位的需求，研究人员提出了基于YOLOv8s-Pose改进的轻量化关键点检测模型MEL-YOLO，实现了甘蔗田间杂草生长点的精准定位。混合局部通道注意力（Mixed Local Channel Attention,
针对甘蔗田复杂环境下激光除草对杂草生长点精准定位的需求，研究人员提出了基于YOLOv8s-Pose改进的轻量化关键点检测模型MEL-YOLO，实现了甘蔗田间杂草生长点的精准定位。混合局部通道注意力（Mixed Local Channel Attention, MLCA）与高效多尺度卷积（Efficient Multi-Scale Convolution, EMSCP）模块分别改善了特征提取能力与轻量化多尺度融合性能，检测头引入的LSCD-LQE结构有效提升了预测置信度与定位质量的一致性。面向激光除草作业，MEL-YOLO在自建甘蔗田数据集上取得了94.3%的关键点平均精度（mAPkpt@0.5）和186.7帧/秒（FPS）的推理速度，验证了其在复杂田间环境下实现实时精准杂草生长点定位的可行性与有效性。
**研究背景与现存问题**
在精准农业发展中，精准农业技术已成为提高作物产量、减少资源浪费与缓解环境污染的关键手段，杂草防控是农业生产的核心环节。传统杂草防控方法包括人工除草、机械除草与化学除草三类：人工除草费时费力且成本高昂；机械除草对行间杂草有效，但在行内作业时易损伤作物根系；化学除草虽应用广泛，却导致土壤残留和生态污染问题日益严重。上述局限推动了非接触式除草技术的发展。激光除草技术利用高能激光束精准破坏杂草分生组织，凭借非接触、无污染、对作物损伤小等优势成为可持续农业的前沿方向。高效的杂草灭除依赖于将激光精确聚焦于杂草顶端分生组织的细胞结构，这一过程严格依赖机器视觉系统提供类别识别与生长点坐标引导。然而，受复杂自然田间场景和边缘设备有限算力的制约，在作物遮挡、杂草密集分布、光照剧烈变化等挑战条件下，同时实现精准的作物—杂草判别与准确的杂草生长点定位，对视觉系统的鲁棒性和实时性提出了严苛要求。
从技术发展脉络看，早期研究主要依赖颜色、纹理、形态等手工特征结合朴素贝叶斯或支持向量机等浅层分类器，在复杂田间背景下鲁棒性不足。深度学习兴起后，卷积神经网络被广泛应用于杂草检测任务，但边界框只能提供杂草的大致空间范围，无法满足激光除草对顶端分生组织所需的亚厘米级定位精度。关键点检测算法能够实现目标坐标的精准定位，已在玉米、草莓等作物系统中验证了可行性。然而，甘蔗田环境具有独特性：分蘖期甘蔗幼苗与杂草共生，相互遮挡严重；广西地区日照强烈、光照变化剧烈；田间杂草种类多样、分布密集，不同物种生长点位置各异。现有方法未针对此类复杂场景优化，直接应用时难以兼顾检测精度与实时性。标准YOLOv8-Pose在此场景下具体存在以下不足：骨干网络标准卷积模块提取遮挡场景弱特征的能力有限；颈部多尺度融合结构参数量大，限制推理速度；检测头预测分数与实际定位质量存在错位，常出现高置信度但低定位精度的预测。
**研究内容与结论**
针对上述问题，研究人员以YOLOv8s-Pose为基线，将杂草生长点作为关键点、目标边界框作为检测框，构建了改进模型MEL-YOLO。系统实验表明，MEL-YOLO在自建甘蔗田数据集上的mAPkpt@0.5达94.31%，较基线提升3.23个百分点，模型权重压缩至17.60MB，推理速度保持186.73 FPS，实现了精度、轻量化与实时性的良好平衡，可为复杂甘蔗田环境下的实时激光除草提供可靠的视觉感知支持。
**关键技术与方法**
研究人员构建了包含3600张田间图像的自建数据集，采集于广西大学农业科学新城实验基地，涵盖甘蔗分蘖期幼苗及牵牛花、牛筋草、马唐、土荆芥、香附子五种伴生杂草，关键点依据物种形态学特征标注并经一致性验证。模型构建方面：骨干网络引入混合局部通道注意力（MLCA）协同建模局部与全局特征；颈部采用高效多尺度卷积（EMSCP）实现轻量化多尺度融合；检测头采用轻量化共享卷积结构（LSCD-LQE），以分布回归显式建模定位质量并与分类置信度联合监督。
**研究结果**
3.2 消融实验。以YOLOv8s-Pose为基线进行系统消融，三个改进模块单独均能提升mAPkpt@0.5并减小模型体积；完整集成模型取得最优综合性能，mAPkpt@0.5达94.31%，权重降至17.60MB，压缩率为24.14%。
3.3 提出模块的对比评估。在骨干网络对比中，MLCA在mAPkpt@0.5和权重上优于SE、CBAM、ECA、CA四种注意力机制，C2f_MLCA相比MobileNetv4、C2f_Faster、C2f_EMA等特征提取结构实现了精度与效率的同步优化。在颈部对比中，EMSCP的精度、权重和推理速度均优于CCFM、GD和PANet。在检测头对比中，LSCD-LQE的mAPkpt@0.5达93.78%，大幅超越DyHead、v10Detect和TADDH。
3.4 与主流模型的对比。与YOLOv5-Pose至YOLOv11-Pose七个主流姿态估计模型相比，MEL-YOLO的mAPkpt@0.5最高（94.31%），模型体积最小（17.60MB），GPU内存占用与能耗均低于基线，综合性能最优。
3.5 密集分布场景检测性能。在小型杂草高密度分布和尺度差异显著场景中，MEL-YOLO检测到更多杂草个体并给出更准确的生长点预测，基线则存在明显漏检和生长点偏移。
3.6 遮挡场景检测性能。在甘蔗叶片自然遮挡和人工色块部分遮挡两种情境下，MEL-YOLO均能识别被遮挡杂草并准确定位生长点，基线出现多处漏检。
3.7 不同光照条件检测性能。在正常、弱光、强光和变化光照条件下，MEL-YOLO均保持稳定的边界框召回与生长点定位；基线在弱光下漏检小杂草，在强光和变化光照下出现物种误分类和关键点偏移。
3.8 分种类性能与失败模式分析。MEL-YOLO对牵牛花（0.95）、马唐（0.92）和甘蔗幼苗（0.92）分类精度领先；阔叶杂草因顶端分生组织裸露且呈辐射对称，关键点误差较小（1.92-2.38mm），禾本科杂草因匍匐分蘖习性和重叠基部叶鞘，误差略大（3.62-3.81mm）。甘蔗幼苗从未被误分类为杂草，杜绝了误伤作物风险。检测瓶颈集中于香附子（真阳率0.71）和土荆芥（0.77），前者因针状叶与土壤裂缝、阴影背景融合导致假阴性偏高，后者因严重叶片遮挡而漏检。
**讨论与结论**
讨论部分明确了MEL-YOLO的操作包络：该模型针对甘蔗分蘖期、冠幅15-180mm的五种目标杂草设计；在相机垂直安装高度50-70cm、机器人行进速度0.8-1.2m/s条件下可实现可靠分生组织定位，可容忍50%-60%冠层遮挡；在极端正午眩光或遮挡超过60%时检测召回率下降，现场部署需配置主动补光罩并采用保守联合置信度门控（J>0.65）防止激光误触发。由于数据集采集自广西单一红壤试验地且采用单帧单目图像，不同农业生态区的土壤背景差异可能引发域偏移，完全埋没的分生组织无法从单一垂直视角识别。未来工作将扩展多地点多季节数据集、集成多视角时序跟踪以缓解严重遮挡，并在嵌入式边缘平台上开展耦合激光执行器的闭环田间试验。
研究结论为：为解决甘蔗分蘖期杂草密集分布、相互遮挡、光照多变及边缘算力有限导致的杂草识别与生长点定位精度与实时性双重挑战，研究人员以YOLOv8s-Pose为基线框架提出了面向激光除草应用的轻量级检测模型MEL-YOLO。系统实验表明，MEL-YOLO在自建甘蔗田数据集上实现94.31%的mAPkpt@0.5、93.32%的精确率、86.51%的召回率和89.78%的F1分数，较基线分别显著提升3.23、9.71、4.00和6.73个百分点（p<0.001）；同时模型权重压缩至17.60MB，保持186.73 FPS的高实时推理速度。与七个主流姿态估计模型的对比进一步证实，MEL-YOLO在关键点定位精度、模型尺寸、能效与推理速度之间取得了有利平衡，能够为复杂甘蔗田环境下的实时激光除草提供可靠的视觉感知支持。
