《Artificial Intelligence in Agriculture》：Detection and variable spraying of maize and weeds in residue covered fields via occlusion-aware modeling
编辑推荐：
在秸秆覆盖条件下，传统视觉系统因作物与杂草间强遮挡导致识别准确率下降，限制了变量喷施的稳定性。本研究提出一种融合遮挡等级检测与结构补全的集成框架，开发了MetaYOLOv8-Level网络联合估计目标类别与遮挡程度，并采用Amodal-Mask2Former网络生成完整掩模。基于感知结果，引入分层变量喷施策略，根据估计面积与遮挡等级调整施药量。田间试验验证了方法的有效性，检测模型mAP@0.5达89.6%，在严重遮挡下补全模块Dice为0.809，喷施测试中将总剂量符合率提升至82.3%。该研究为保护性耕作下的精准化学除草提供了可行的技术方案。
在保护性耕作体系中，秸秆覆盖是一项重要农艺措施。它能够改善土壤质量、保持水分，但同时也带来了一个棘手的问题：散落的秸秆会在作物与杂草之间形成强烈的遮挡。这种遮挡使得基于视觉的识别系统难以准确区分作物和杂草，不仅降低了识别精度，更限制了变量喷施技术的稳定性。传统的大面积均匀喷施除草剂，容易导致用药过量，增加环境风险和生产成本。因此，如何在秸秆覆盖的复杂田间环境下，实现作物和杂草的精准识别，并根据杂草的实际分布进行按需变量喷施，成为推动保护性农业向智能化、精准化发展的关键挑战。
针对这一挑战，中国农业大学的研究团队在《Artificial Intelligence in Agriculture》上发表了一项创新性研究。他们提出了一个集遮挡感知、结构补全与变量喷施于一体的集成框架，专门用于解决秸秆覆盖农田中玉米与杂草的精准识别与施药难题。该研究巧妙地将遮挡严重程度的量化评估与目标完整结构的推理重建相结合，最终驱动分层变量喷施决策，为实现遮挡环境下的精准除草提供了系统的解决方案。
为开展这项研究，研究人员主要采用了以下几个关键技术方法：首先，通过在辽宁典型保护性耕作田块采集图像，构建了一个包含2088张高质量图像的玉米-杂草数据集，并采用“遮挡-暴露”配对采集策略获取了可靠的“非模态掩模”真值用于模型训练。其次，在算法层面，研究提出了MetaYOLOv8-Level检测网络，在YOLOv8框架中引入遮挡等级预测头，实现目标检测与遮挡等级分类的联合感知；针对被遮挡目标，设计了Amodal-Mask2Former细粒度补全网络，通过双分支解码与多尺度可变形注意力机制，从可见区域特征重建目标的完整掩模结构；此外，还引入了启发式后处理模块对质量不佳的预测掩模进行形态学和边缘一致性修正。最后，基于感知结果，研究制定了分层的变量喷施策略，将施药剂量与根据遮挡等级校正后的目标估计面积进行映射。
研究结果
3.1. MetaYOLOv8-Level检测与遮挡分类结果
3.1.1. 模型训练与验证
研究人员在自建的数据集上训练并对比了YOLOv5s、YOLOv7、YOLOv8及提出的MetaYOLOv8-Level模型。结果表明，MetaYOLOv8-Level在训练中表现出更快的收敛速度和更高的稳定性。在验证集上，其精确率、召回率和mAP@0.5分别达到90.1%、84.7%和89.6%，优于其他对比模型。特别是在遮挡等级预测任务上，模型取得了87.3%的分类准确率，为后续处理提供了有效先验。模型在参数量仅增加约2.6M的情况下，推理速度达到121 FPS，满足了田间实时处理的需求。
3.1.2. 结果可视化与分析
可视化结果对比显示，在秸秆严重遮挡的场景下，YOLOv5s、YOLOv7和YOLOv8均出现了漏检或误检，而MetaYOLOv8-Level不仅能更准确地定位和分类目标，还能正确输出其遮挡等级（L1或L2）。这表明引入的遮挡感知机制增强了模型在复杂场景下的鲁棒性。
3.2. 结构补全与启发式后处理结果
3.2.1. Amodal-Mask2Former补全网络性能
Amodal-Mask2Former网络在测试集上对严重遮挡（L2）目标进行完整掩模预测，达到了0.809的Dice系数。与仅预测可见掩模的基线模型相比，该网络能有效推断出被秸秆遮盖的目标部分，生成更接近真实形态的完整轮廓。
3.2.2. 启发式后处理模块的贡献
当预测掩模的结构质量评分低于阈值（0.65）时，启用的启发式后处理模块通过形态学操作和基于边缘的区域生长，融合生成候选掩模，并经B样条曲线拟合和平滑处理。实验表明，该模块将边界F1分数（BF1）提升了0.088，并将95%豪斯多夫距离（HD95）降低了最多2.0像素，显著改善了掩模边界的连续性与平滑度。
3.3. 变量喷施田间验证结果
3.3.1. 不同喷施策略性能对比
田间试验对比了三种喷施策略：T0（恒量喷施）、T1（仅基于检测的变量喷施）和T2（本文提出的基于遮挡感知补全的分层变量喷施）。结果表明，T2策略将总体剂量符合率（CR）从T0的67.0%和T1的56.7%显著提升至82.3%。同时，T2策略的过量喷施率（ODR）和施药不足率（UDR）分别降低至5.0%和12.7%。尤其在轻度（L1）和重度（L2）遮挡条件下，T2策略的符合率相较基线策略分别提高了16.0-28.0个百分点和24.0-36.0个百分点。
3.3.2. 沉积均匀性与剂量偏差分析
对水敏纸采集的雾滴沉积数据进行分析显示，T2策略下的沉积量变异系数更低，平均绝对剂量偏差（ΔD）也更小，说明其喷施剂量与设定目标剂量的匹配度更高，分布更均匀。
结论与讨论
本研究成功开发并验证了一个面向秸秆覆盖农田的、从感知到执行的完整技术框架。核心结论是：通过将遮挡等级感知、非模态结构补全与分层剂量决策相耦合，能够有效克服秸秆遮挡对杂草识别与面积估计带来的负面影响，从而显著提升变量喷施的精准性与可靠性。
研究的核心创新与重要意义在于：第一，在方法论上，将遮挡感知与结构补全引入农业视觉感知领域，突破了传统方法仅能识别可见部分的局限，为估算被遮盖目标的真实生物量提供了新思路。第二，在技术集成上，实现了从检测、补全到喷施决策的闭环，所提出的分层变量喷施策略将抽象的感知结果直接转化为可操作的喷施指令，具有明确的工程应用价值。第三，在实践效果上，田间试验证实该方案能大幅提高施药剂量符合率并减少药剂浪费，为保护性耕作模式下实现减药增效、环境友好的精准化学除草提供了切实可行的技术途径。
未来，该框架可进一步与自动驾驶农机平台集成，实现全自主的智能除草作业。同时，研究的思路也可扩展至其他存在遮挡问题的农业场景，如果实收获、病虫害监测等，展现出广阔的推广应用前景。
