博文

Agronomy：中国农业大学工学院苏文浩研究员团队突破性成果：智能机械株间除草系统助力高效生菜种植

已有 765 次阅读 2025-5-30 17:19 |个人分类:学术软文|系统分类:论文交流

2024年11月28日，中国农业大学工学院苏文浩研究员团队在 Agronomy 期刊发表了一项重要研究成果——基于优化卷积神经网络的生菜杂草自动检测与机器人除草系统 ( Automatic Lettuce Weed Detection and Classification Based on Optimized Convolutional Neural Networks for Robotic Weed Control) 。该研究通过集成优化的深度学习模型与智能机械系统，实现了生菜田间杂草的高效识别与精准清除，为自动化除草提供了创新解决方案。

除草策略示意图

研究背景与意义

生菜作为全球广泛种植的蔬菜，其生长易受杂草影响，导致产量损失高达34%。传统除草依赖人工或化学药剂，存在成本高、污染环境等问题。机械除草虽环保，但需精准识别作物与杂草，尤其株间杂草因贴近生菜而更难清除。近年来，深度学习与计算机视觉技术的结合为农业自动化提供了新思路，但现有模型在复杂田间场景中的精度与实时性仍有提升空间。

研究亮点：改进YOLOv8L模型与智能机械系统

该团队提出了一种新型深度学习模型LettWd-YOLOv8L，首次将全局注意力机制 (GAM) 与坐标注意力机制 (CA) 融合，显著提升了杂草与生菜的识别精度。该模型基于YOLOv8架构优化，通过增强特征提取与多尺度信息融合，实现了对6种常见杂草 (如藜、马齿苋等) 的高效分类。

关键技术突破

模型优化：

GAM模块：增强模型对关键区域的关注，抑制背景噪声。

CA模块：结合通道与空间注意力，提升小目标检测能力。

数据增强：通过旋转、翻转、噪声注入等技术，将原始584张图像扩展至3008张，提升模型鲁棒性。

生菜定位算法：传统方法依赖边界框中心点，易受杂草干扰。

研究团队提出基于HSV颜色空间与灰度掩膜的定位算法，通过加权计算生菜真实中心点，定位精度提升至89.273% (光照良好条件下)。系统由STM32控制器、气动伺服装置及工业摄像头组成。除草刀片通过气动控制实现开合，工作时以3.28 km/h速度行进，精准避开生菜安全区 (12.4 cm宽)，株间除草率达83.729%。

模型性能：YOLOv8L在精度 (99.732%)、召回率 (99.907%)、mAP@0.5 (99.5%) 等指标上优于YOLOv8与YOLOv10系列模型。光照良好时，低杂草密度 (<10株/m²) 的除草率达88.661%。