综合考虑作物根系空间分布的综合性低损伤机械除草技术：以玉米田为例

《Computers and Electronics in Agriculture》：Comprehensive low-damage mechanical weeding technology considering the spatial distribution of crop roots: A case study of maize farmland

　　

• •
  1. 基于作物根系空间分布设计新型除草刀。
• •
  2. 提出三维空间保护区域概念。
• •
  3. 开发出高效的低伤害机械除草系统。
• •
  4. 实现智能化、全面且低伤害的除草效果。

引言

杂草与作物在养分、空气及生长空间上的竞争会严重影响作物的生长发育，从而导致产量下降（Anwar等人，2021；Kumar等人，2024）。因此，杂草控制至关重要。现有的杂草控制技术包括化学除草、机械除草，以及激光除草和火焰除草等新型方法（Yaseen和Long，2024；Zhang等人，2024）。化学除草虽然效率高，但会造成环境污染，且农药残留会带来健康风险（Mesnage等人，2021）。此外，它还会导致抗性杂草数量迅速增加，降低除草剂的效果，进而影响作物的品质和产量。因此，开发用于农田的非化学除草方法已变得十分紧迫（Lehnhoff等人，2022；Singh等人，2024）。与化学除草相比，机械除草更加环保，被广泛用于有机蔬菜田、鲜食玉米及其他作物种植中（Xiang等人，2024）。

除草装置是智能除草机械的核心组成部分，其结构与尺寸参数会直接影响除草效率（Chang等人，2021）。目前，除草装置的设计主要侧重于提升除草性能和操作效率，尚未充分考虑作物根系的空间分布情况（Quan等人，2021）。作物根系的空间分布是规划除草装置作业轨迹以及确定安全掘土深度的重要依据。研究人员已经研究了不同位置杂草的除草需求（Xing等人，2022）。行间杂草由于距离作物较远，对幼苗和根系的机械损伤风险较低（Peruzzi等人，2017；Young和Pierce，2014）。因此，行间除草装置的研究重点在于结构创新，在增加扰动的同时降低阻力（Zhang等人，2017）。例如，Machleb等人针对窄行作物优化了扫掠式刀片（Machleb等人，2018）。Shun等人借鉴蝉若虫的掘土方式设计了除草刀具（Shun等人，2025）。在商业应用中，Garford和LEMKEN开发的除草机器人通过集成鸭脚铲和锄刀等末端执行器，实现了高效的行间除草（Kimmel等人，2025）。总体而言，由于结构简单、掘土效果好且除草可靠，铲式刀片仍是田间作物的主流除草方式（Zhang等人，2025a）。相比之下，株间杂草生长在离作物很近的位置，机械作业时很容易损伤幼苗和根系（Balas等人，2022）。因此，如何在有效控制杂草的同时尽量减少对幼苗和根系的损害，已成为研究人员面临的核心挑战。为了解决这一问题，Machleb等人为甜菜田的株间除草改造了带驱动电机的指形除草器（Machleb等人，2021）。Quan等人为不同的玉米种植模式设计了相应刀片，发现平种模式下犁刀式刀片最为合适，而垄作模式下则楔形刀片更佳（Quan等人，2022）。Huang通过调整锄头直径和缺口角度，优化了用于蔬菜除草的月牙形末端执行器（Huang等人，2012）。Wang等人考虑到田间杂草的生长特性，借鉴鼹鼠前爪的结构设计了单电机驱动的振荡式株间除草末端执行器（Wang等人，2024）。仿真分析和实验表明，该末端执行器能够满足株间除草的需求。针对旱地玉米苗期的除草需求，Zhang等人设计了采用正弦形连杆机构的振荡式株间除草装置（Zhang等人，2025b）。该装置通过电机精确驱动一对正弦形连杆机构旋转，使除草刀片往复运动，从而实现株间除草的同时避开幼苗。此外，Farming Revolution开发的FARMING GT除草机器人以及FarmDroid开发的FD20也都采用了L形株间除草刀片，能够高效清除株间杂草（FarmDroid，2025；Gerhards等人，2024；Revolution，2025；Vahdanjoo等人，2023）。综上所述，国内外学者和机构主要通过开发新型除草末端执行器、优化末端执行器的结构参数以及改进控制算法，来提升株间除草的性能。然而，现有研究大多集中在识别和避开地上幼苗方面，对于地下根系的空间分布特征缺乏深入整合。这就使得在复杂的田间条件下，作物根系受到损伤的风险相对较高，从而限制了智能除草设备的精准作业能力。

杂草与作物的识别是实现智能精准除草的基础（Kumar等人，2024；Xu等人，2023）。研究人员针对不同作物和杂草的检测算法开展了大量研究（Gao和Su，2024；Li等人，2022）。与传统的基于机器学习的方法相比，基于深度学习的杂草检测方法不仅能快速检测杂草，还能高精度地标注杂草分布区域（Li等人，2022）。YOLO系列检测器已被证明是高效实用的工具（Cheng等人，2024）。Ahmad等人及Quan等人使用YOLOv3模型检测并分类玉米田中的常见杂草，结果显示YOLOv3在所有测试案例中的平均检测准确率均超过93%（Ahmad等人，2021；Quan等人，2019）。Zhang等人将YOLOv5与ExG特征分割方法结合使用，用于检测杂草种类，当最小连通域设置为50时，杂草分割率可达95%（Zhang等人，2023）。Ju等人为不同水稻田环境及生长阶段的稻苗建立了数据集，并提出了基于MW-YOLOv5s的实时稻苗识别方法，其准确率为90.05%，实时处理速度为19.51帧/秒，能够满足水稻田除草机的实时作业要求（Ju等人，2024）。随着人工智能的发展，YOLO系列模型不断优化，模型规模更小，检测准确率更高（Diwan等人，2023）。在农业领域中，将YOLO这类深度学习算法用于杂草的检测与识别，并与除草设备相结合，是智能除草系统的发展趋势（Pai等人，2024；Rakhmatulin等人，2021）。

因此，本研究针对鲜食玉米种植中的杂草管理问题，开发了一套全面的低伤害机械除草系统。首先，研究了玉米根系的空间分布情况。根据根系的空间分布特征，设计了三种角度不同的株间除草刀，同时还配备了常规的0°角度除草刀。该系统利用深度学习技术实现作物的实时识别与检测，随后通过田间试验评估了不同除草刀组合的使用效果，验证了该系统在实际农业应用中的可行性。

章节摘要

概述

所设计的除草系统的主要结构如图1所示，它主要由跟行装置、定向轮、主机架、限深轮、行间除草单元、株间除草单元、视觉控制系统以及其他组件构成。这套全面的低伤害机械除草系统通过三点悬挂装置连接到拖拉机上，由拖拉机提供前进动力。跟行装置中的液压缸所提供的驱动力

模型训练与测试结果

在工作站上完成模型训练后，测试结果如表3所示。YOLOv8系列模型的玉米苗识别准确率均高于90%。其中，YOLOv8-world模型在农田玉米苗检测中的准确率最高，为0.958，而YOLOv8x模型的准确率最低，为0.932。在召回率方面，YOLOv8-world模型的表现处于中等水平，其与最高召回率模型的差异仅为0.8%

整体评价

杂草管理是保障作物品质和产量的关键环节（Rehman等人，2024）。随着公众对环境保护、食品安全和健康问题的重视程度不断提高，智能机械除草设备受到了广泛关注（Horvath等人，2023）。与以往的研究相比，本研究在视觉控制系统和株间除草刀的设计方面取得了进展，能够实现全面的株间及行间杂草清除。

该

结论

本文通过将作物根系空间分布特征与深度学习技术相结合，开发出了一套全面的低伤害机械除草系统。该系统采用了性能优异、推理速度快且易于部署的开放型检测语言模型YOLOv8-world。在试验中，该模型?幼苗识别准确率为0.958，边缘端的平均处理速度可达245.30帧/秒，完全能够满足实际应用需求

CRediT作者贡献说明

邓逊：撰写——初稿、方法论、正式分析、概念构思。权龙哲：撰写——审稿与编辑、项目监督、项目管理、方法论、资金获取。娄兆霞：项目监督、软件支持、资源协调。张国祥：项目监督、数据整理。鲁晨：结果验证、方法论、正式分析。李晓杰：项目监督、数据整理。郭志明：撰写——审稿与编辑、结果验证、项目监督、调研工作。何金斌：项目监督、数据整理。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

作者感谢国家自然科学基金委员会（项目编号：32271998和32471989）、安徽省高校科研计划（项目编号：2023AH040138）、安徽省重点研发计划（项目编号：S202320230906020010）以及国家关键研发计划（项目编号：2023YFD1702102）为该项研究提供的资金支持。

Deng Sun|Longzhe Quan|Zhaoxia Lou|Guoxiang Zhang|Chen Ru|Xiaojie Li|Zhiming Guo|Jinbin He|Chuan Wang|Yongheng Wang