《Agronomy》:A Lightweight Attention-Based Model for Real-Time Weed Detection and Edge Deployment in Angelica dahurica Fields
编辑推荐:
摘要专业翻译
杂草干扰是白芷(Angelica dahurica)生产中的主要制约因素,其中幼苗与杂草形态相似、目标尺寸小、土壤背景变化以及遮挡等问题使得可靠的田间识别十分困难。本研究开发了一种轻量级注意力增强的单阶段检测器,用于白芷田间的作物与杂草实时定位。
摘要专业翻译
杂草干扰是白芷(Angelica dahurica)生产中的主要制约因素,其中幼苗与杂草形态相似、目标尺寸小、土壤背景变化以及遮挡等问题使得可靠的田间识别十分困难。本研究开发了一种轻量级注意力增强的单阶段检测器,用于白芷田间的作物与杂草实时定位。该检测器结合了MobileNetV3骨干网络以实现高效的特征提取、无参数SimAM机制以实现判别性特征增强,以及Inner-EIoU损失函数以改善小目标和部分遮挡目标的定位精度。研究人员在中国河南省洛阳市洛宁县采集了田间图像数据集,共包含2286幅原始图像。为避免潜在的数据泄漏,数据集首先在原始图像层面划分为训练集、验证集和测试集,随后在各子集内分别进行数据增强,最终得到包含11430幅图像的数据集。在增强测试集评估协议下,该检测器实现了92.5%的精确率(Precision)、94.8%的召回率(Recall)、93.6%的F1分数(F1-score)和95.2%的mAP@0.5,参数量仅为0.275百万(M),计算量为1.1 GFLOPs,离线推理速度达到215帧每秒(FPS)。在模型训练和部署后采集的独立田间验证数据集上,精确率、召回率、F1分数和mAP@0.5分别为91.6%、88.4%、90.0%和91.8%。在NVIDIA Jetson Orin Nano 8GB边缘平台上,TensorRT FP16加速产生了46.8 FPS的平均速度。结果表明,该检测器在检测精度、模型紧凑性、推理速度和田间适应性之间实现了实用的平衡。因此,该模型可作为白芷田间精准除草系统的视觉感知组件。
论文解读文章
一、研究背景与意义
白芷(Angelica dahurica)是我国重要的药用植物,其干燥根部具有较高的药用和经济价值,广泛用于传统中药及相关健康产品。随着中药材标准化、绿色化、高品质生产需求的不断提升,白芷田间管理的精准化水平直接关系到产量、品质与安全性。然而,在白芷田间生长过程中,杂草是影响作物正常发育的关键因素之一。杂草与白芷幼苗竞争水分、养分、光照和生长空间,还可能降低田间通风透光性,增加病虫害传播风险。目前中药材田间杂草防控仍主要依赖人工除草和化学除草剂。人工除草劳动强度大、效率低、成本高,难以满足规模化种植需求;化学除草虽然高效,但中药材对农药残留、产品质量和安全性有严格要求,过量使用除草剂可能导致药材品质下降、农药残留和生态风险。
相比之下,基于视觉识别和机械执行器的机械化精准除草能够识别杂草位置,将目标信息传输至机械臂或末端除草装置,通过物理方式完成定点除草,可减少除草剂使用、降低劳动强度并控制作业成本。因此,开发高精度、轻量化的白芷田间杂草识别技术对于低成本机械化除草和中药材绿色生产具有必要性。
尽管已有研究在多种作物田间的杂草检测任务中取得了良好效果,但针对白芷这一中药材种植场景的杂草检测研究仍相对有限。与普通粮食或蔬菜田块相比,白芷幼苗期植株小,叶片形态与某些杂草相似,田间土壤背景复杂,杂草常与白芷幼苗相互遮挡或重叠,导致漏检、误检和定位不准确等问题。同时,实际除草作业要求模型不仅具有高检测精度,还需具备低参数量、低计算量和高推理速度,以便在工控机或边缘计算平台上实现实时检测和田间部署。因此,构建适用于白芷田间的高精度、轻量化、鲁棒性杂草检测模型具有重要的研究价值和应用意义。
二、研究内容与主要结论
针对白芷田间杂草与幼苗形态相似、目标尺寸小、背景复杂和遮挡严重等问题,研究人员以YOLOv11n为基线开发了MSI检测器,其设计结合了MobileNetV3骨干网络、无参数SimAM注意力机制和Inner-EIoU边界框回归损失函数。研究通过模型对比、模块消融、损失函数对比、收敛性分析、检测结果可视化、鲁棒性分析、Grad-CAM可解释性分析以及边缘端部署后的独立田间验证对模型进行了全面评估。
实验结果表明,MSI检测器在增强测试集上实现了92.5%的精确率、94.8%的召回率、93.6%的F1分数和95.2%的mAP@0.5,参数量仅0.275 M,计算量1.1 GFLOPs,离线推理速度达215 FPS。与原始YOLOv11n相比,该模型在显著降低模型复杂度的同时提升了检测精度。在NVIDIA Jetson Orin Nano 8GB边缘平台上,经TensorRT FP16加速后平均速度达到46.8 FPS,满足视觉感知阶段的实时推理需求。
三、关键技术方法概述
研究人员构建了白芷田间杂草检测数据集,采集地点位于河南省洛阳市洛宁县涧口乡,时间为2025年4月至5月,主要覆盖白芷幼苗生长期。共获得2286幅原始图像,按原始图像层面以8:1:1比例划分训练集、验证集和测试集,再在各子集内分别进行亮度调整、水平翻转、噪声添加和随机旋转等数据增强,最终得到11430幅图像。模型方面,采用MobileNetV3替换YOLOv11n原始骨干网络以降低参数量和计算量;引入无参数SimAM三维注意力机制增强关键区域特征表示;采用Inner-EIoU损失函数改善小目标和遮挡目标的边界框回归精度。模型在配备Intel Core i5-14400F CPU、32 GB内存和NVIDIA GeForce RTX 5060 GPU的计算机上训练,输入图像尺寸为640×640像素,训练100轮,批量大小16,优化器为随机梯度下降(SGD),初始学习率0.01。
四、研究结果
4.1 目标检测模型性能对比。 研究人员将SSD、Faster R-CNN、YOLOv5n、YOLOv8n和原始YOLOv11n作为对比模型,在相同数据集划分和训练参数下进行训练和评估。结果显示,MSI检测器在精确率、召回率、F1分数和mAP@0.5四项指标上均达到最高值,分别为92.5%、94.8%、93.6%和95.2%,较原始YOLOv11n分别提升1.5、3.4、2.4和3.0个百分点。参数量从2.58 M降至0.275 M,计算量从6.3 GFLOPs降至1.1 GFLOPs,推理速度从185.6 FPS提升至215.0 FPS。
4.2 消融实验。 以原始YOLOv11n为基线,分别验证MobileNetV3、SimAM和Inner-EIoU三个改进模块的贡献。仅引入MobileNetV3后,参数量降至0.275 M、FLOPs降至1.1 G、FPS提升至232,但检测精度有所下降;仅引入SimAM后,精确率、召回率、F1分数和mAP@0.5分别提升至93.2%、94.1%、93.6%和94.0%;仅替换为Inner-EIoU后,mAP@0.5提升至95.6%。三个改进整合后,MSI检测器在保持轻量化的同时实现了精度与效率的最佳平衡。
4.3 不同损失函数对比。 以YOLOv11n为基础模型,仅替换边界框回归损失函数,对比CIoU、DIoU、EIoU、WIoU和Inner-EIoU。结果显示Inner-EIoU取得了95.6%的mAP@0.5,较CIoU提升3.4个百分点,表明其能有效改善小尺寸、密集分布和遮挡杂草目标的定位精度。
4.4 训练过程与收敛性分析。 训练过程中box loss、cls loss和dfl loss随训练轮次增加总体下降并逐渐趋于稳定,精确率、召回率和mAP@0.5随训练轮次增加总体上升并在后期保持稳定,表明MSI检测器具有良好的收敛性和训练稳定性。F1-置信度曲线显示置信度阈值约为0.209时整体F1值约为0.93,精确率-召回率曲线显示两类目标均保持较高水平。
4.5 检测结果可视化分析。 在包含密集分布的小目标和复杂土壤背景的同一测试图像上,YOLOv11n能识别大部分目标但部分小目标和密集区域存在置信度低或定位不稳定问题;引入MobileNetV3后部分目标检测置信度和定位稳定性有所下降;使用Inner-EIoU后检测框与目标区域拟合更好;引入SimAM后小目标和密集区域检测能力提升。MSI检测器对白芷和杂草目标的检测更完整,边界框稳定且置信度高。
4.6 鲁棒性分析。 研究人员在相同测试图像上构建了遮挡、高斯噪声和运动模糊三类干扰。在干扰条件下,YOLOv5n和YOLOv8n对小杂草目标识别能力不足,在密集目标或复杂背景区域易漏检;YOLOv11n在干扰条件下出现边界框偏移和置信度下降。MSI检测器在不同条件下均保持较完整的目标检测结果,检测框与目标区域拟合良好,表明联合改进增强了模型关注关键目标区域和适应复杂干扰条件的能力。
4.7 热力图可视化分析。 使用Grad-CAM对模型最后一层特征进行可视化,选取1个白芷样本和2个杂草样本进行分析。YOLOv5n和YOLOv8n的热力图响应较为分散,部分注意力集中在土壤背景上;YOLOv11n目标响应增强但部分样本仍存在背景干扰。MSI检测器的高响应区域更集中于白芷和杂草的主体,尤其是杂草叶片边缘和中心区域,表明改进模型能更有效地提取关键目标特征并减少复杂背景对检测结果的影响。
4.8 原始与增强测试图像性能对比。 在229幅原始测试图像上,MSI检测器的精确率、召回率、F1分数和mAP@0.5分别为93.1%、95.2%、94.1%和95.9%,较增强测试集分别高出0.6、0.4、0.5和0.7个百分点,表明图像变换引入的额外视觉变化增加了评估难度,增强测试集可作为补充的鲁棒性评估。
4.9 田间验证与边缘端部署分析。 模型训练和部署完成后,研究人员使用安装在机械除草样机上的Stereolabs ZED 2i立体相机(配备2.1 mm镜头和偏振片)在实际白芷田间采集独立验证数据,从连续田间视频中提取300幅图像帧进行人工标注和评估。结果显示MSI检测器的精确率、召回率、F1分数和mAP@0.5分别为91.6%、88.4%、90.0%和91.8%,较实验室测试结果有所下降,主要原因是自然光照变化、植株遮挡、轻微相机振动、土壤纹理干扰和杂草目标尺度差异。在NVIDIA Jetson Orin Nano 8GB平台上,经TensorRT FP16加速后平均检测流水线速度为46.8 FPS,高于原始YOLOv11n的41.2 FPS。
五、讨论总结与研究结论
讨论部分总结: 研究人员指出,该模型在数字农业和白芷精准杂草管理方面具有潜在应用价值。与已有研究相比,由于作物类型、数据集、任务定义、硬件平台和评估协议不同,直接进行数值比较并不恰当。该模型旨在为后续机械旋转除草提供视觉感知和杂草定位信息。研究存在以下局限性:数据集主要来自单一产区且主要代表白芷幼苗期,需要在不同地理区域、季节、土壤条件和苗期环境下进一步验证;所有非白芷植物被归为一类杂草,适用于机械旋转除草场景但无法支持物种级杂草识别或针对特定杂草的差异化防控策略;田间验证实验评估的是视觉检测和边缘端推理而非完整的感知-执行系统,坐标变换精度、执行器定位误差、除草率、作物安全率和长期运行稳定性需在未来集成田间实验中评估。
研究结论翻译: 为解决白芷田间杂草与幼苗形态相似、目标尺寸小、背景复杂和遮挡严重等问题,本研究提出了基于YOLOv11n改进的MSI杂草检测模型。该模型使用MobileNetV3替换原始骨干网络以降低参数量和计算复杂度,引入无参数SimAM注意力机制增强关键杂草区域的特征表示,并采用Inner-EIoU损失函数改善小目标和遮挡目标的边界框定位精度。实验结果表明,MSI检测器在测试集上实现了92.5%的精确率、94.8%的召回率、93.6%的F1分数和95.2%的mAP@0.5,参数量仅0.275 M,计算量1.1 GFLOPs,推理速度215 FPS。与原始YOLOv11n相比,改进模型在显著降低模型复杂度的同时提升了检测精度。消融实验、检测结果可视化、鲁棒性分析和热力图结果进一步表明,MobileNetV3、SimAM和Inner-EIoU的组合改善了模型在复杂田间背景、小尺寸杂草目标和遮挡目标条件下的识别与定位能力。虽然仅使用Inner-EIoU的变体取得了略高的95.6%的mAP@0.5,但最终选择MSI检测器是因为其大幅降低了参数量和计算量并提供更快的推理速度,从而为边缘端部署提供了更好的整体平衡。在田间验证中,MSI检测器在独立验证集上实现了91.6%的精确率、88.4%的召回率、90.0%的F1分数和91.8%的mAP@0.5,经TensorRT FP16加速后在Jetson平台上达到46.8 FPS的平均检测流水线速度。总之,MSI检测器在白芷田间杂草检测中提供了检测精度、模型紧凑性、实时推理和边缘端部署能力之间的良好平衡,可为苗期机械化精准除草提供视觉感知和目标定位支持。未来工作应扩展不同生长阶段、季节、田间环境和杂草群落的数据集,并在集成机械化除草实验中进一步量化相机到世界坐标变换误差、执行器定位精度、除草率和长期连续运行稳定性。