基于YOLOv11的丘陵农业便携式机器人杂草精准检测与喷洒系统

《Scientific Reports》：YOLOv11-based real-time weed detection and autonomous precision spraying for hilly agriculture

　　

摘要

杂草是印度北阿坎德邦丘陵地区农业生产和生态的一大威胁。传统的杂草管理方法采用全覆盖式除草剂喷洒，这种方法不仅成本高昂、污染环境，而且在机械无法到达的陡坡区域根本不可行。本研究针对这一问题，推荐了一种便携式机器人平台，该平台具备使用深度学习系统检测杂草并在不平整及起伏表面实施精准喷洒除草剂的能力。该系统采用了YOLO算法的最新版本——YOLOv11，该算法以其高精度和实时检测能力而著称。它还能够区分作物、杂草和背景物体，从而实现定点喷洒。本研究使用传统检测指标，从性能方面将其与Faster R-CNN进行了比较。在独立测试集上，YOLOv11的精确率为0.7516，召回率为0.8846，F1值为0.8127，mAP@0.5为0.8894；而Faster R-CNN的精确率为0.3483，召回率为0.9538，F1值为0.5103，mAP@0.5为0.8873。五折交叉验证结果确认，YOLOv11的性能在数据划分中保持稳定（mAP@0.5为0.889±0.005，精确率为0.750±0.005，召回率为0.881±0.006）。尽管Faster R-CNN的召回率更高，但YOLOv11的精确率和F1值更高，表明其假阳性更少，结果更为可靠。在0.7公顷梯田上进行的端到端田间试验显示，集成机器人平台的喷洒命中率达92.4%，与全覆盖喷洒相比，除草剂用量减少64.8±3.1%（均值±标准差；n=3组独立配对田间试验），偏离目标漂移率为7.1%，证明在受测田间条件下，文中所述的丘陵农业自主精准喷洒声称已得到实际验证。这些结果表明，所提出的系统在丘陵农田条件下为实现减少除草剂消耗、降低运行成本和减轻环境影响提供了可行途径，但仍需进一步的跨季验证。