應(yīng)用方向

雜草是與作物爭(zhēng)奪光照、養(yǎng)分和水分的有害植物，會(huì)嚴(yán)重影響作物生長(zhǎng)。準(zhǔn)確識(shí)別小麥田中的雜草對(duì)精準(zhǔn)噴藥和針對(duì)性除草至關(guān)重要。處于生長(zhǎng)期初期的禾本科雜草與小麥幼苗極為相似，導(dǎo)致識(shí)別難度較大。本研究針對(duì)不同雜草侵染程度的小麥田，采用無(wú)人機(jī)（UAV）進(jìn)行影像采集。通過(guò)運(yùn)用深度學(xué)習(xí)算法和光譜分析技術(shù)，實(shí)現(xiàn)了雜草的精準(zhǔn)識(shí)別與提取。結(jié)果顯示：散生小麥田的雜草檢測(cè)準(zhǔn)確率達(dá)91.27%，密植小麥田則為87.51%。與無(wú)雜草區(qū)域相比，雜草密度增加導(dǎo)致小麥生物量下降，*大生物量減少71%。雜草密度對(duì)產(chǎn)量的影響類似，*大產(chǎn)量減少4320公斤/公頃?1，降幅達(dá)60%。本研究建立了小麥田雜草監(jiān)測(cè)方法，并通過(guò)精準(zhǔn)提取雜草，研究了不同生長(zhǎng)階段及雜草密度對(duì)小麥生長(zhǎng)的影響。研究結(jié)果為雜草防治和危害評(píng)估研究提供了參考依據(jù)。

背景

雜草作為與作物競(jìng)爭(zhēng)光照、營(yíng)養(yǎng)、水分和生長(zhǎng)空間的非目標(biāo)植物，會(huì)導(dǎo)致田間環(huán)境惡化，抑制小麥生長(zhǎng)發(fā)育，造成生長(zhǎng)緩慢、發(fā)育**及產(chǎn)量質(zhì)量下降。大規(guī)模雜草侵染可導(dǎo)致小麥產(chǎn)量減少60%，程度取決于雜草密度和干擾持續(xù)時(shí)間。監(jiān)測(cè)雜草對(duì)靶向控制和**噴灑至關(guān)重要，可減少農(nóng)藥消耗和非點(diǎn)源污染。草本雜草（禾本科）在小麥越冬和拔節(jié)期為主導(dǎo)雜草，與小麥幼苗形態(tài)相似，識(shí)別難度大。現(xiàn)有方法包括人工識(shí)別、機(jī)器視覺(jué)和圖像提取，但RGB圖像信息有限，高光譜成像可提供更多目標(biāo)信息，提高精度。無(wú)人機(jī)遙感系統(tǒng)具有快速、非破壞性、低成本和高通量?jī)?yōu)勢(shì)，已廣泛應(yīng)用于農(nóng)業(yè)作物生長(zhǎng)監(jiān)測(cè)。本研究聚焦小麥田草本雜草識(shí)別，利用UAV高光譜圖像和深度學(xué)習(xí)，填補(bǔ)草本雜草（而非闊葉雜草）識(shí)別及產(chǎn)量影響評(píng)估的空白。

實(shí)驗(yàn)與數(shù)據(jù)采集

（1）實(shí)驗(yàn)設(shè)置

本研究于2019-2020年在江蘇省儀征市和泗洪縣進(jìn)行。選取了8個(gè)試驗(yàn)地作為研究對(duì)象，其中6個(gè)地塊存在不同程度的雜草侵?jǐn)_，其余2個(gè)地塊保持無(wú)雜草對(duì)照。

圖1實(shí)驗(yàn)區(qū)域

（2）數(shù)據(jù)采集

采用搭載GaiaSky-mini高光譜成像傳感器（江蘇雙利合譜科技有限公司）的DJI Matrice?600?Pro無(wú)人機(jī)（大疆**科技有限公司，深圳，中國(guó)）進(jìn)行高光譜數(shù)據(jù)采集。高光譜成像傳感器波段范圍為400–1000?nm，光譜分辨率3.5?nm。飛行前使用DJI?GS?Pro進(jìn)行航線與航點(diǎn)規(guī)劃，前后重疊率50%，側(cè)向重疊率60%。起飛前以標(biāo)準(zhǔn)白板進(jìn)行反射率校正，升空后利用20%、40%及60%反射率的灰布進(jìn)行大氣校正。影像采集采用自動(dòng)曝光模式，依據(jù)環(huán)境光照條件與目標(biāo)亮度自動(dòng)調(diào)整增益與曝光時(shí)間，采集時(shí)間為晴朗天氣下的上午10：00至下午2：00之間。

圖2研究流程圖

圖3深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)雜草覆蓋提取(A)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)；(B)標(biāo)注流程及結(jié)果。如圖3B所示：紅色標(biāo)注區(qū)域代表小麥，藍(lán)色表示雜草，黑色為土壤。

研究結(jié)果

（1）雜草的語(yǔ)義分割效應(yīng)

在 RGB 三通道及可見(jiàn)—近紅外（400–1000 nm）范圍內(nèi)，雜草與小麥的光譜/顏色特征高度重疊：在 RGB 直方圖上三通道分布非常相似，反射率曲線在多數(shù)波段亦存在大量重疊，僅在可見(jiàn)光的綠波段和紅波段出現(xiàn)有限差異。這意味著單純依賴顏色或單一植被指數(shù)（如 NDVI）在混合像元環(huán)境下難以實(shí)現(xiàn)可靠分辨，尤其在返青期或株型復(fù)雜的田塊中誤判與漏判風(fēng)險(xiǎn)顯著增大。基于此，研究比較了五種主流語(yǔ)義分割模型用于田間雜草識(shí)別的效果，結(jié)果表明 DeepLabV3+ 綜合性能*好：對(duì)耕地（land）識(shí)別普適性高，對(duì)小麥與雜草的區(qū)分能力強(qiáng)，邊緣區(qū)域的識(shí)別效果尤為明顯。模型在不同播種方式下的檢測(cè)精度分別為散播田約 91.27%、條播田約 87.51%，MIoU、F1、Precision、Recall 等指標(biāo)均保持在較高水平（均 >85%）。在實(shí)際部署角度看，DeepLabV3+ 的單張圖像處理時(shí)間約 46.5 ms，具備近實(shí)時(shí)處理能力，但該模型本身只能判別“有/無(wú)”或像元類別，不能直接量化雜草密度或推斷個(gè)體數(shù)量，這是其在工程化應(yīng)用中的一項(xiàng)重要局限。

（2）結(jié)合光譜指數(shù)與機(jī)器學(xué)習(xí)的生物量估算

盡管單一植被指數(shù)在區(qū)分上受限，研究發(fā)現(xiàn)部分波段組合的 NDVI 與小麥/雜草生物量存在極高相關(guān)性（相關(guān)系數(shù) >0.92），例如冬季小麥*佳組合為 (960 nm, 733 nm)，冬季雜草為 (960 nm, 719 nm)，撥節(jié)期亦存在相應(yīng)的高相關(guān)組合。這提示利用恰當(dāng)?shù)牟ǘ谓M合可以為生物量估算提供有力的光譜特征。基于此，研究將冠層覆蓋（CC）與若干植被指數(shù)作為輸入變量，使用支持向量回歸（SVR）建立雜草生物量估算模型。模型建模階段總體表現(xiàn)良好（建模 R2 均 >0.85）：冬季估算精度*高，訓(xùn)練階段 RMSE 常低于 8 kg·ha?1；但在返青/再生期由于小麥群體增大且混合像元影響增強(qiáng)，建模精度有所下降，RMSE 可上升但通常不超過(guò) 20 kg·ha?1。獨(dú)立驗(yàn)證顯示性能存在波動(dòng)——總體平均驗(yàn)證 RMSE 約 40.03 kg·ha?1；其中鉆播冬季表現(xiàn)*佳（驗(yàn)證 RMSE ≈ 9.28 kg·ha?1），而散播返青情形*差（驗(yàn)證 R2 ≈ 0.6，RMSE ≈ 30.38 kg·ha?1）。影響精度的主要因素包括：語(yǔ)義分割無(wú)法精細(xì)量化雜草密度導(dǎo)致 CC 估計(jì)偏差、小麥對(duì)植被指數(shù)的干擾（尤其在返青期）以及田塊間播種方式與密度差異。因此，推薦將語(yǔ)義分割的空間定位與基于優(yōu)選波段的光譜回歸相結(jié)合，并針對(duì)播種方式與生育期進(jìn)行專門校準(zhǔn)，以獲得更穩(wěn)定的生物量估算結(jié)果。

（3）雜草對(duì)小麥生長(zhǎng)與產(chǎn)量的定量影響

通過(guò)對(duì)不同雜草密度、播種方式與生育期的對(duì)照分析，研究明確量化了雜草對(duì)小麥生長(zhǎng)與產(chǎn)量的負(fù)面影響：隨著雜草密度增加，小麥干重*大減少 71%，產(chǎn)量*大減少 4320 kg·ha?1（約 60%）。影響程度與播種方式、種植密度和雜草出現(xiàn)時(shí)期密切相關(guān)：散播田對(duì)雜草的敏感性高于條播田；高密度種植受雜草競(jìng)爭(zhēng)影響更明顯；而在冬季萌發(fā)的雜草對(duì)*終產(chǎn)量的損害尤為嚴(yán)重。

這些結(jié)論具有明確的工程與管理意義：一是應(yīng)優(yōu)先在散播田與冬季易萌發(fā)區(qū)域?qū)嵤┰缙诒O(jiān)測(cè)與干預(yù)；二是將 DeepLabV3+ 等高性能語(yǔ)義分割用于空間定位，配合基于優(yōu)選波段和 SVR 的生物量估算，可支持分區(qū)差異化的精準(zhǔn)除草決策（例如劃分噴灑強(qiáng)度、確定熱點(diǎn)區(qū)域）；三是針對(duì)返青期的小麥干擾，需要引入更多時(shí)相數(shù)據(jù)或多模態(tài)信息（如多光譜/高光譜與高度信息）以提高估算魯棒性。總體而言，本研究為基于 UAV 的高通量雜草監(jiān)測(cè)與定量危害評(píng)估提供了可行路徑，并為精細(xì)化除草管理提供了數(shù)據(jù)與方法支撐。

圖4小麥與雜草直方圖

圖5小麥與雜草反射率曲線

圖6不同條件下利用冠層覆蓋度或植被指數(shù)估算雜草生物量。RMSE的單位為kg·ha?1

圖7不同模型的語(yǔ)義分割性能

圖8 DeepLabV3+的分割結(jié)果，(A)、(B)為播撒式和條播式小麥田原始圖像，(C)、(D)為分割結(jié)果，(E)、(F)為小麥和雜草的分割準(zhǔn)確度值

圖9雜草與小麥的光譜特征及生物量相關(guān)性分析

圖10使用獨(dú)立數(shù)據(jù)集的模型測(cè)試結(jié)果。RMSE的單位為kg·ha?1

圖11雜草對(duì)小麥生長(zhǎng)的影響。(A)雜草對(duì)小麥干重的影響，(B)雜草對(duì)小麥籽粒產(chǎn)量的影響。J：拔節(jié)期”（Jointing），W：越冬期，B：撒播，D：穴播，L：植株密度180×10^4株/公頃，H：植株密度300×10^4株/公頃

結(jié)論

本研究開(kāi)發(fā)了一種利用深度學(xué)習(xí)算法與光譜分析技術(shù)監(jiān)測(cè)麥田雜草發(fā)生的方法。研究發(fā)現(xiàn)，顏色和紋理等傳統(tǒng)圖像屬性在區(qū)分麥田禾本科雜草方面存在挑戰(zhàn)，而深度學(xué)習(xí)算法的應(yīng)用顯著提升了雜草識(shí)別精度。在評(píng)估的算法中，DeepLabV3+表現(xiàn)出*優(yōu)性能，其分割效果優(yōu)于UNet、PSPNet等方法。通過(guò)選取敏感NDVI波段，可有效估算雜草生物量，構(gòu)建評(píng)估雜草危害影響的可靠框架。本研究開(kāi)發(fā)的基于深度學(xué)習(xí)的雜草冠層覆蓋識(shí)別模型能準(zhǔn)確估算雜草冠層覆蓋度，進(jìn)一步將冠層覆蓋度與植被指數(shù)融合可提升雜草生物量估算精度。該方法有助于實(shí)現(xiàn)高效的無(wú)人機(jī)麥田雜草監(jiān)測(cè)并制定靶向植保策略，為無(wú)人機(jī)精準(zhǔn)植保作業(yè)提供技術(shù)支持。

來(lái)源

Liu T, Zhao Y, Wang H, et al. Harnessing UAVs and deep learning for accurate grass weed detection in wheat fields: a study on biomass and yield implications[J]. Plant Methods, 2024, 20(1): 144.