玉米苗期田间基于作物区域排除的两阶段杂草茎定位方法

《Agronomy》：A Two-Stage Weed Stem Localization Method Based on Crop Region Exclusion in Maize Seedling Fields

　　

准确的杂草茎定位对于定点除草（包括精准喷施、激光除草及其他靶向除草作业）至关重要。针对玉米苗期田间杂草物种多样性、形态多变及多类标注成本高的问题，研究人员提出了一种基于作物区域排除的两阶段方法。首先，MSDNet——一种集成ShuffleNetV2、增强特征融合、坐标注意力（CA）与Wise-IoU（WIoU）损失的轻量化YOLOv8n玉米检测器——检测玉米幼苗，将检测框内像素置零。其次，利用色调-饱和度-明度（HSV）阈值化、形态学处理与面积滤波提取植被并抑制土壤噪声。主成分分析（PCA）确定各杂草轮廓主轴，将图像矩质心投影至该轴以估计茎中心。MSDNet在交并比阈值为0.5时平均精度均值（mAP@0.5）达93.4%，较基线提升8.7个百分点，参数量减少28.66%。植被分割平均像素精度（MPA）为97.6%，平均交并比（mIoU）为93.8%。在15像素容差（9.50 mm）内，茎检测率与定位精度分别达90.1%与92.5%，平均定位误差10.65像素（6.74 mm）。该方法为定点除草提供视觉感知与目标定位支持，同时降低对细粒度多类标注与物种专用模型的依赖。

研究背景方面，杂草通过与作物竞争水肥光热及传播病虫害而制约农业生产，定点除草（含化学精准喷施与非化学机械/激光除草）依赖可靠的苗草区分与茎基或生长点定位。现有机器视觉方法分传统图像处理与深度学习两类：前者对光照土壤敏感，后者多检测整株杂草边界框或分割轮廓，对靶向茎基处理精度不足；且物种专用模型需大规模精细标注，跨场景泛化受限。为此，研究人员以玉米苗期为对象，提出先排除玉米区域、再从剩余绿植中定位杂草茎的两阶段策略，以降低多类标注负担并兼顾田间鲁棒性。论文发表于《Agronomy》。

关键技术方法上，研究人员于2025年6—8月使用Intel RealSense D435i在吉林农业大学标准试验田采集2099张玉米幼苗与五种杂草（藜、马齿苋、稗、刺儿菜变种、香附子）图像，按8:1:1划分训练验证测试集，训练集增广至5037张。第一阶段以YOLOv8n为基线构建MSDNet：骨干嵌入ShuffleNetV2轻量结构，C2f替换为C2f-MBSE（含MBConv与Squeeze-and-Excitation机制），末端加坐标注意力（CA），边界框回归采用Wise-IoU（WIoU）损失。第二阶段将检测框内像素置零，转HSV空间按H[35,55]、S[43,255]、V[46,255]阈值取绿植，经腐蚀膨胀形态学与面积滤波去噪；对各杂草轮廓用PCA求最大方差特征向量为主轴，以图像矩算质心并投影至主轴得茎中心。评估含mAP、MPA、mIoU及15像素（标定约合9.50 mm）容差下的检测率、精度与欧氏误差RMSE/MAE。

研究结果部分，2.1数据集中五类杂草与玉米各三百余张，增广后训练集5037张。2.2 MSDNet设计中，ShuffleNetV2经深度可分离卷积降参，C2f-MBSE增强特征融合，CA编码纵横空间信息，WIoU以离群度因子动态调梯度。2.3作物区域排除与杂草分割表明，框内置零后再HSV阈值化结合形态学，能有效抑土噪保留杂草区。2.4 PCA算法以轮廓点协方差最大特征值向量为主轴，图像矩质心投影主轴修正叶偏不对称。2.5两阶段流程先检玉米屏蔽，再分割绿植用PCA+矩定位。2.6评估设定15像素阈值由相机焦距1.88 mm、传感对角3.08 mm、物距350 mm标定得9.50 mm。

3.1实验在i7-14700KF+RTX4090D训练200轮，并在Jetson TX2部署测试。3.2消融实验显示YOLOv8n基线mAP@0.5为84.7%、参3.21 M；逐加ShuffleNetV2、C2f-MBSE、CA、WIoU后MSDNet达mAP@0.5 93.4%、Precision 94.1%、Recall 93.7%、参2.29 M、体积4.8 MB，较基线mAP升8.7点、参减28.66%。3.3轻量主干对比中ShuffleNetV2综合最优（mAP 86.5%、参2.35 M）。3.4分割算法对比中HSV阈值+形态学MPA 97.6%、mIoU 93.8%，优于G通道Otsu与H通道Otsu；H范围敏感性分析表明[35,55]较稳。3.5茎定位实验在511样本上检测率90.1%、精度92.5%、漏检9.9%、均误10.65像素（6.74 mm）、RMSE 12.02像素；无遮挡组成功率92%，轻中遮挡81%，重度遮挡（占4%）因茎基不可见而失败；PCA主轴在叶形不规则或遮挡时偏移致局部误差。

讨论部分指出，MSDNet平衡精度与复杂度得益于轻量骨干、MBSE融合、CA与WIoU协同；作物排除策略规避多类杂草标注，固定HSV阈值在强光衰老植被下或受限；PCA+矩法无需点级茎标注，但重叠与不对称叶致主轴偏斜。未来可融时序、深度、多视角与遮挡感知分割。

结论部分翻译：本研究开发了玉米苗期田间基于作物区域排除的两阶段杂草茎定位方法。MSDNet先检玉米幼苗并将检测框内像素置零以排除作物区域；随后用HSV阈值、形态学与面积滤波提取剩余植被，结合主成分分析（PCA）与图像矩估计杂草茎中心。该框架降低对多类杂草建模、物种专用识别模型及点级茎标注的依赖。相较原始YOLOv8n，MSDNet的mAP@0.5由84.7%升至93.4%，参数量由3.21 M降至2.29 M；植被分割MPA 97.6%、mIoU 93.8%；15像素容差（约9.50 mm）内茎检测率90.1%、定位精度92.5%、均误10.65像素（约6.74 mm）。结果论证了该方法用于图像杂草茎定位的可行性，为精准除草提供视觉感知与目标定位支撑。本研究聚焦视觉感知与定位阶段，后续将联用激光执行器在田间评测靶向精度、除草效度与作物安全。