《Frontiers in Plant Science》：DeepLabV3+ with MobileNetV3 backbone enhancement and multi-level fusion decoder for pepper field weed segmentation
编辑推荐：
准确的作物-杂草分割对辣椒田精准除草管理至关重要。然而，由于辣椒植株与杂草在遮挡、光照变化和尺度变化下常共享相似的绿色纹理，且杂草区域往往小而破碎、空间分散，可靠的像素级区分仍具挑战性。本研究提出一种改进的基于DeepLabV3+的语义分割框架用于辣椒-杂草分
准确的作物-杂草分割对辣椒田精准除草管理至关重要。然而，由于辣椒植株与杂草在遮挡、光照变化和尺度变化下常共享相似的绿色纹理，且杂草区域往往小而破碎、空间分散，可靠的像素级区分仍具挑战性。本研究提出一种改进的基于DeepLabV3+的语义分割框架用于辣椒-杂草分割。采用MobileNetV3作为面向效率的骨干网络，同时集成自适应激活融合(AAF)与高效通道注意力(ECA)以增强非线性特征表示与通道重标定。设计定制化的空洞空间金字塔池化(ASPP)模块以捕获多尺度上下文信息，并开发OS=16分级解码器融合高、中、低层特征并辅以残差细化以改善边界恢复。训练阶段结合焦点交叉熵损失(Focal CE)与Dice损失，配合加权采样、类别感知裁剪与数据增强，强化对困难杂草区域的学习并提升复杂田间条件下的鲁棒性。在独立辣椒田杂草测试集上，所提模型取得mIoU 95.87%、召回率97.98%、边界F1分数95.88%、边界IoU 92.13%，推理速度46.86 FPS。结果表明该框架在区域级分割精度、边界质量与推理效率上均获提升，具备辣椒田实用精准除草应用潜力。
研究背景方面，杂草与作物竞争水肥光与空间，降低产量并增加管理成本，像素级辣椒-杂草分割可减少除草剂误用、提升干预精度，但辣椒与杂草在可变光照、遮挡、杂乱背景与尺度变化下常具相似绿色纹理与不规则叶形，现有经典分割模型（FCN、U-Net、SegNet、PSPNet、DeepLabV3、DeepLabV3+）虽借编码-解码、金字塔池化、空洞卷积提升密集预测，但计算量大难以部署于田间机器人与边缘设备；轻量网络（MobileNetV3等）虽提效，却削弱小杂草区、遮挡区与模糊边界恢复能力；玉米、木薯等作物杂草研究未显式解决辣椒田中轻量骨干表征力下降、破碎杂草恢复、椒草边界模糊、局部不均分布与高效部署的联合挑战。为此，研究人员开展一项改进DeepLabV3+框架研究，以上海浦东书院镇唐北村辣椒田（螺丝椒，行株距40 cm×40 cm，优势杂草为马唐Digitaria sanguinalis与马齿苋Portulaca oleracea L.，iPhone 15 Pro Max距地约50 cm俯拍与斜拍，2025年11月23日采集2198张RGB图，其中1978张原图分1663训练/315验证，另220张同域不重叠内部测试集；外部测试200张采自安徽池州青阳杨田镇2026年7月4日成熟果期阴雨场景）为对象，得出mIoU 95.87%、召回97.98%、BF1 95.88%、BIoU 92.13%、46.86 FPS结论，发表于《Frontiers in Plant Science》，意义在于为辣椒田精准喷雾、机械除草与机器人作业提供高精度高效率感知方案。
关键技术方法上，研究人员以MobileNetV3-Large为骨干，在每层瓶颈以自适应激活融合(AAF)并行ReLU6与SiLU分支经全局平均池化与1×1卷积sigmoid加权融合替固定激活，插入高效通道注意力(ECA)（全局平均池化后一维卷积核3）做通道重标定；定制ASPP取空洞率{3,6,9}加1×1与图像级池化；设OS=16分级解码器先融ASPP与中层再残差细化、上采样融低层再残差细化出logits；损失用0.6 Focal CE（聚焦参数1.5，椒权0.65草权4.5，label smoothing 0.05）+0.4 Dice；优化用AdamW（5×10-4学习率，1×10-4权重衰减，线性预热余弦退火，batch 4，200 epoch，640×640）；数据端做类别感知裁剪（p=0.5，窗口扩1.3倍最小32 px）、几何光度增强与按杂草占比加权随机采样防轻量骨干漏小杂草。
研究结果部分，3.1节训练性能显示所提模型比Plain MobileNetV3 DeepLabV3+基线后期损失更平滑、验证mIoU更高，混淆矩阵对角主导更强、草误判椒更少。3.2节对比9个代表模型（U-Net、PSPNet、SegFormer、DeepLabV3+-ResNet50、PP-LiteSeg、PIDNet、BiSeNetV2、Fast-SCNN、DeepLabV3+-MV3）表明所提模型mIoU 95.87%、召回97.98%、BF1 95.88%、BIoU 92.13%均最高，参19.07 M、GFLOPs 90.43、46.86 FPS，六随机种子配对t检验Holm-Bonferroni校正后仍显著优于U-Net/SegFormer/PIDNet/DLV3+MV3；类级指标椒IoU 97.65%、草IoU 94.09%，边界与区域平衡。3.3节消融中3.3.1证AAF+ECA比无增强基线mIoU升1.65点至95.87%、BIoU升2.57点至92.13%，ECA仅增0.01 M参；3.3.2证OS=16+MidFusion+残差细化(D3)比标准解码mIoU升1.45点；3.3.3证FocalCE+Dice比CE+Dice mIoU升0.75点；3.3.4证主类权(0.65/4.5)比松弛权(0.65/2.0) mIoU升1.58点。3.4节扩展验证中，4个农业模型(CWRepViT-Net、EDM-UNet、KD-Fast-SCNN、PSPEdgeWeedNet)对比所提仍最优，安徽外部集mIoU降至93.33%但居首；ASPP空洞率{3,6,9}优于{2,4,6}与{6,12,18}；AAF内ReLU6-SiLU优于单激活与GELU/Mish组合；ECA比SE/CBAM/Coordinate Attention/SimAM/EMA在mIoU、参量、速度上综合占优。
讨论部分指出，增益来自AAF非线性增强、ECA通道重标定、定制ASPP多尺度、分级解码多层融合与针对难杂草的采样损失权重的协同，而非单用注意力；轻量模型虽快但小杂草与模糊边界恢复弱，Transformer受数据与算力限，本增强卷积设计在效率与局部判别间更平衡；类权与采样主要助难区恢复而非纠全局不平衡（椒草像素比2.90:1仅中度不均衡）；局限为外部仅安徽单点、草作单类未分种、缺公开基准，未来需多地点季节品种杂草群落与嵌入式压缩部署。
结论部分翻译：本研究提出一种改进DeepLabV3+语义分割框架用于自然田间辣椒杂草分割，通过结合MobileNetV3、自适应激活融合、高效通道注意力、定制化多尺度上下文聚合与带残差细化的分级解码器，旨在提升特征判别、空间细节恢复与椒草边界定位。独立测试集上模型取得mIoU 95.87%、召回97.98%、BF1 95.88%、BIoU 92.13%、46.86 FPS；对比实验证明该框架比主流轻量Transformer模型在精度边界与效率间平衡更优；消融证实AAF、ECA、分级解码、FocalCE+Dice与主类权配置共同贡献最终性能。除量化指标提升外，该研究为辣椒田杂草管理精准高效田间感知提供实用参考，小杂草恢复与清晰边界可支撑精确喷雾、机械除草与机器人作业，但大规模部署前仍需更广验证，未来将拓展地点季节品种杂草与成像条件并评估嵌入式平台压缩与硬件感知优化。
