基于无人机杂草检测方法（SWIM）改造用于拖拉机挂载光学传感器的适应性研究

《Agronomy》：Adapting a UAV-Based Weed Detection Method (SWIM) for a Tractor-Mounted Optical Sensor

　　

定点杂草管理可在减少除草剂使用的同时提升作物生产可持续性，但其推广受限于多数传感技术的高复杂度与高成本。将杂草检测算法集成至已用于精准农业的光学传感系统中，是克服上述限制的可行策略。本研究旨在将最初基于无人机影像开发的SWIM杂草检测（SWIM-WD）模块，改造应用于由拖拉机挂载光学传感器Augmenta Field Analyzer（AFA）所采集的影像。研究人员在商业玉米田中采集影像开展评估，利用无草条件下的校准影像推导作物结构参数，并在含草验证影像上比较简易法（Simple Method, SM）与改进法（Improved Method, IM，引入图像特异性玉米行检测）两种方案。两种方法给出的杂草绿盖度（Weed Green Cover, WGC）估计值与参考值均高度一致（一致性相关系数CCC=0.87–0.92；决定系数R2=0.82–0.89）。结果表明SWIM-WD可初步适配拖拉机挂载平台，支持无需专用硬件的精准农业杂草检测系统；但方法在跨田块、作物阶段与环境条件下的鲁棒性仍需进一步验证。

研究背景方面，现代农业面临粮食需求增长与绿色可持续发展的双重压力，欧盟绿色新政提出2030年农药减量50%的目标，使得定点杂草管理（site-specific weed management, SSWM）成为重要路径。然而现有精准农业方案因初始投资高、系统复杂、农民数字素养门槛高等因素，在小农户场景落地困难。研究人员此前开发的SWIM（Smart Weed Impact Management）决策支持系统依赖无人机（UAV）正射RGB影像完成杂草检测（WD）、潜在损害评估与处方图生成三阶段，但外业飞行规划、合规与后处理增加了操作成本。为此，研究人员尝试将SWIM-WD第一阶段移植至商业已装的拖拉机挂载多光谱系统Augmenta Field Analyzer（AFA），利用其随车RGB通道实现行进间采集与潜在实时处理，降低专用硬件依赖。论文发表于《Agronomy》。

关键技术方法上，研究人员于2025年6月29日在美国威斯康星州Dodge县Lomira附近商业玉米田（约3公顷，玉米4–6叶期）使用挂载高度3.15米、分辨率0.8厘米/像素的AFA采集50张RGB影像；因透视畸变仅截取每图中央左右两个3米×1.5米兴趣区（ROI_L、ROI_R），得100个ROI。20张无草图作校准集（CI）推导平均玉米行数（NMR_m）与单行绿盖度（MRGC_m）；30张含草图作验证集（VI），由单人依据行列几何手工掩膜得到参考玉米绿盖度（R_MGC）与参考杂草绿盖度（R_WGC）。植被分割采用绿叶指数（Green Leaf Index, GLI）阈值0.05；改进法（IM）对列向绿像素和做7像素滑动平均平滑，用SciPy find_peaks按最小间距、突出度0.15倍标准差、高度10%峰值检测玉米行数（ES_IM_NMR）。简易法（SM）固定调用校准均值。性能用RMSE、MAE、回归斜率β₁、R²、Lin一致性相关系数（CCC）、建模效率（MEF）及配对t检验/Cohen’s dz评估。

研究结果部分，在“3. Results”中研究人员发现：中间变量NMR估计精度最低，IM在ROI_R显著低估（p=0.010, dz=-0.504），CCC仅0.35–0.37，R²为0.16–0.19，MEF为负；MRGC与MGC均值与参考无显著差异，但MGC方差解释力弱（CCC=0.301–0.400，R²=0.200–0.215），源于田间MGC变异系数仅0.22–0.25。最终输出WGC在SM与IM下均与参考无显著差异，CCC=0.875–0.915，MEF=0.656–0.787，R²=0.819–0.886；IM数值略优但未做显著性优效检验。机制上WGC=TGC-MGC，TGC两端共用故绝对误差等于MGC误差，但WGC本身变异系数达0.81–0.87，使相对指标显著提升。

讨论部分“4. Discussion”指出，WGC高一致性并非误差抵消，而是数学结构与变量变异性共同导致；与地面视角透视畸变、遮挡相比，原UAV版SWIM植数检测R²>0.90，而本研究的行数检测大幅下降，说明结构变量移植受几何制约。局限包括：参考与估计WGC共享GLI的TGC分量故非完全独立验证；单操作员标注未评估重复性；GLI阈值与寻峰参数为校准集经验选定未做敏感性分析；中央ROI有效监测宽仅约6米，不匹配现代喷雾机幅宽；单田单时点单叶龄验证不足以推广。实用上，AFA随车作业省去飞行规划，复用已有硬件可降低采纳门槛，但实时处理链路未在本研究实现。

结论部分“5. Conclusions”翻译总结为：本研究支持了将SWIM-WD从UAV影像改造至拖拉机挂载AFA影像以估算玉米田WGC的可行性；操作上集成至既有光学平台可简化感知流程、减少专用硬件，虽实时处理未评估，但随车采集为行进间检测奠基；在测试条件下参考与估计WGC高度一致（需注意TGC共享影响），WGC指标量级与原UAV版相近但非等价对比；后续需在多田块、多阶段、多环境下扩样验证，并改进几何校正与监测幅宽以达田间可部署性。

整体而言，研究人员通过行基重构替代原SWIM的株基参数，在AFA地面几何下以SM/IM双路径证明WGC可高一致估计，为无附加传感器的玉米定点除草决策提供了初步工程化证据，但结构变量精度与幅宽瓶颈仍待突破。