《Agriculture》：A Laser Weeding Method Based on Adaptive Safety Constraints and Priority Target Scheduling for Maize Fields
编辑推荐：
激光除草相较于传统杂草控制方法具有显著优势；然而，由于动态目标变化、杂草定位不精确以及激光执行效率低下，其在玉米田中的实际部署仍面临挑战。在本研究中，研究人员通过集成视觉感知（Visual Perception）、多目标跟踪（Multi-Object Trac
激光除草相较于传统杂草控制方法具有显著优势；然而，由于动态目标变化、杂草定位不精确以及激光执行效率低下，其在玉米田中的实际部署仍面临挑战。在本研究中，研究人员通过集成视觉感知（Visual Perception）、多目标跟踪（Multi-Object Tracking）、安全约束决策（Safety-Constrained Decision Making）和基于优先级的激光调度（Priority-Based Laser Scheduling），开发了一种用于玉米田的闭环激光除草框架（Closed-Loop Laser Weeding Framework），以在动态田间条件下实现精准且高效的杂草处理。该系统由视觉感知模块、振镜控制模块（Galvanometer Control）和激光发射模块（Laser Emission）组成。研究人员引入ByteTrack算法，实现对杂草目标的稳定ID分配和连续位置反馈，从而减少重复无效照射和能量消耗。进一步开发了受玉米安全区（Maize Safety Zone）约束的目标调度策略。构建自适应椭圆安全区（Adaptive Elliptical Safety Zone）以筛选候选杂草目标并优化其优先级。通过结合安全区建模、振镜转移成本（Galvanometer Transition Cost）和目标紧迫性（Target Urgency），所提出的策略优化了激光打击顺序，同时降低了作物损伤风险并提高了目标选择效率。该方法部署在所开发的平台上，并在不同行进速度和光照条件下进行了田间实验评估。结果表明，在三种行进速度下，平均除草率（Weeding Rate）、玉米幼苗损伤率（Seedling Injury Rate）和杂草再生长率（Weed Regrowth Rate）分别为83.67%、2.23%和5.23%；在三种光照水平下，分别为82.57%、2.63%和4.87%。这些结果表明，所提出的方法能够实现稳定的杂草跟踪和高效的激光除草，同时提高实时性能、操作安全性和智能决策水平。本研究为田间精准激光除草提供了一种可部署的技术方案。
随着农业可持续发展的需求日益迫切，激光除草技术因其非接触、高精度和环境友好等优势受到广泛关注。然而，在玉米田实际应用中，田间环境动态变化、杂草目标定位不精确以及激光执行效率低下等问题仍然制约着该技术的推广。传统激光除草系统多采用静态作业模式，即在完成图像采集、目标识别和定位后执行激光照射，处理完当前视野内所有目标后再移动平台，缺乏感知与执行之间的实时协调，易导致重复打击、漏处理以及作业空间利用率低等问题。此外，现有作物保护方法多依赖固定阈值或简单排除区，难以在保证作物安全与充分利用作业空间之间取得平衡。针对上述问题，研究人员开发了一套集成视觉感知、多目标跟踪、安全约束决策和优先级激光调度的闭环激光除草框架，并构建了适用于玉米苗期的田间激光除草平台。该研究发表于《Agriculture》。研究人员基于前期提出的YOLO-GFD检测模型，引入ByteTrack多目标跟踪算法，实现杂草跨帧稳定关联和连续位置反馈；构建了纵向延伸的自适应椭圆玉米安全区，以动态匹配玉米幼苗形态并筛选可打击杂草目标；进一步提出基于优先级的目标调度策略（Priority-based Target Scheduling，PTS），综合考虑目标紧迫性、振镜运动成本和轨迹稳定性，优化激光打击序列。田间实验结果表明，该方法的平均除草率、幼苗损伤率和杂草再生长率在不同速度下分别达到83.67%、2.23%和5.23%，在不同光照条件下分别为82.57%、2.63%和4.87%，验证了系统在动态田间条件下的稳定性和有效性。
研究人员为开展研究所采用的主要关键技术方法包括：在2025年6月至8月于吉林农业大学标准化试验田进行数据采集，使用Intel RealSense D435i深度相机录制约18分钟连续RGB视频并按8帧间隔提取4000帧图像，同时手动拍摄1712张静态田间图像，共构建5712张标注图像数据集；采用YOLO-GFD模型进行玉米和杂草检测，ByteTrack算法进行多目标跟踪；通过ExG（Excess Green）分割和连通域分析提取杂草质心；构建自适应椭圆安全区对候选杂草进行筛选；通过相机内参、姿态旋转矩阵和运动补偿完成像素坐标到振镜控制坐标的变换；基于PTS策略进行目标调度。
不同跟踪算法对比试验中，将YOLO-GFD分别与SORT、DeepSORT、Bot-SORT和ByteTrack组合，在相同数据集上评估跟踪性能。结果表明，YOLO-GFD+ByteTrack的综合表现最优，多目标跟踪精度（MOTA）达到85.6%，身份F分数（IDF1）达到86.2%，高阶跟踪精度（HOTA）达到80.1%，且ID切换次数明显减少，在Jetson AGX Orin边缘平台上的推理速度达19.3 FPS，在跟踪精度与计算效率间取得了较好平衡。
安全区划定定量评估中，通过田间模拟实验比较了矩形检测框安全区与自适应椭圆安全区，采用归一化安全区面积、误保护率、可打击杂草保留率和作物区域违规率四个指标进行量化分析。结果表明，自适应椭圆安全区平均面积仅占检测框面积的68.5%，较矩形安全区减少31.5%；误保护率从28.3%降至10.1%，可打击杂草保留率从71.7%提升至89.9%，作物区域违规率仅从0.0%升至1.1%，表明该方法在保障玉米安全的同时显著提高了作业空间利用率。
目标调度实验中，以FIFO、DTSP和RHC方法为对比，评估PTS方法的调度性能。在相同视频序列、目标集和平台运动参数下，PTS方法的平均响应时间缩短至102.3 ms，平均振镜偏转距离降至11.6 mm，处理成功率提升至90.6%，重复打击率降至6.8%，单位时间处理目标数达3.21个/s。消融实验表明，剔除目标紧迫性、振镜运动成本或轨迹稳定性任一项均会导致性能下降，验证了三个因素在调度中的互补作用。
田间实验中，在激光功率110 W、光斑面积3 mm2、照射时间200 ms的条件下，于吉林农业大学标准化试验田（行距80 cm）开展单因素实验。不同行进速度（0.1、0.15、0.2 m/s）的实验显示，速度对除草率和再生长率影响显著（p<0.05），对幼苗损伤率影响不显著（p>0.05），0.1 m/s时除草率最高（86.1%），0.2 m/s时降至81.2%；不同光照强度（低光0–5000 Lux、中光5000–20000 Lux、高光20000–70000 Lux）的实验显示，中度光照下除草率最高（86.3%），低光和高光下分别降至81.1%和80.3%，光照对除草率和再生长率影响显著（p<0.05），对幼苗损伤率影响不显著（p>0.05）。
总结讨论部分指出，所提出的安全区约束和优先级调度策略有效降低了作物损伤风险并提高了激光执行效率，但光照过强或过弱会降低视觉感知质量，进而影响目标定位和打击效果；较高的行进速度会缩短激光与目标的作用时间，增加不完全杀伤和再生长的概率。因此，在实际应用中需合理选择作业速度和作业时机。
研究结论部分翻译如下：本研究开发并验证了一种用于玉米苗期田间作业的精准激光除草系统。研究人员提出了一种集成目标检测、多目标跟踪、安全约束和目标调度的激光除草方法，实现了从杂草识别、跟踪、调度到精准激光处理的全流程连续作业。实验结果表明，YOLO-GFD与ByteTrack的组合取得了良好的杂草跟踪性能，MOTA、IDF1和HOTA分别达到85.6%、86.2%和80.1%，表明该方法能够在动态田间作业中为连续目标定位和抑制重复打击提供稳定信息。所提出的PTS目标调度策略构建了自适应椭圆玉米安全区，并联合考虑振镜运动成本和目标紧迫性，从而在安全约束下优化激光打击顺序，打击成功率达90.6%，平均响应时间为102.3 ms。田间实验进一步验证了系统的实际作业性能。在不同作业速度下，平均除草率、幼苗损伤率和杂草再生长率分别为83.67%、2.23%和5.23%；在不同光照条件下，这三个指标的平均值分别为82.57%、2.63%和4.87%。这些结果表明，所提出的方法能够在动态田间作业条件下实现稳定的杂草跟踪和安全激光处理，为玉米田精准激光除草装备的实际应用提供了可行方案。尽管田间实验表现良好，当前研究仍存在一定局限性：实验主要在玉米苗期标准化评价区域内进行，大规模连续作业和更多农业环境的验证仍需开展；激光照射参数固定，根据杂草特性和田间条件自适应优化激光能量有待进一步研究；不同杂草物种对激光照射的响应存在差异，需要系统评估多种杂草物种及其能量响应关系。未来研究将扩展至不同作物类型、杂草密度、土壤背景和天气条件下的田间验证，并开发融合平台运动状态与振镜响应特性的闭环补偿机制，以及自适应激光能量控制策略，以提升系统的鲁棒性和能量利用效率。
