用于机器学习应用的基于知识标注的自动化杂草分割

为何更智能的除草很重要

杂草在背后悄悄夺走了全球大量食物产量。它们挤占作物生长空间、降低产量，并迫使农民喷洒更多除草剂，这对经济和环境都造成高昂代价。本研究展示了如何利用无人机与巧妙的图像分析自动在小麦田中绘制杂草分布图——而无需人工逐一标注植物。这样的自动化能够加速更精准喷洒所需的工具，从而在保持产量的同时减少化学品使用。

从全面喷洒到精确靶向

在全球范围内，缺乏有效杂草管理的田块可能损失五分之一到几乎全部的潜在产量。在加拿大大草原等地区，除草剂费用每年已达数亿美元，且抗药性杂草正在扩散。新的“精准农业”工具旨在仅对有杂草的区域喷洒，而不是对整片田地盲目处理。要实现这一点，机器首先需要准确的杂草地图，而现代方法依赖于逐像素分析的机器学习模型。难点在于这些模型需要大量精心标注的训练数据——通常由人工在图像中逐一绘制杂草轮廓。本研究提出一个问题：能否完全跳过那一步人工标注？

无人机视角下的小麦与杂草

研究者在加拿大萨斯卡通附近一个2,000平方米的试验小麦田开展工作。小麦按直行种植，并在作物行间有意播种了若干杂草种类的带状区——包括蒴藜、野燕麦、芥菜和假蓼等。搭载高分辨率RGB相机的无人机在距地面10米处飞行，拍摄的影像细节足以使每个像素代表田面上不到一毫米的面积。这些影像拼接成一张“正射图”，本质上是一幅精确的地图状田块图像，作为自动化计算流程的输入。

把颜色与形状转化为自动标签

研究团队没有用成千上万的人工标注样本训练深度学习模型，而是在专用图像分析软件中构建了一个基于知识的流水线。首先，通过一些强调绿色植被与棕色土壤对比的简单颜色公式增强图像。诸如过量绿指数（Excess Green Index）和植被颜色指数（Color Index of Vegetation）等指标被组合起来，用以有效区分植被与裸土。接着，系统寻找与小麦叶片和行列方向相匹配的长而细的线状特征。通过在多个角度扫描图像并应用卷积滤波器——即突出重复结构的数学滑动窗口——该流程能够定位作物行的位置，并据此推断行间或行内可能的杂草所在。

从像素到无需手绘的杂草地图

一旦识别出作物行和被植被覆盖的区域，软件便使用自动阈值分割将每个像素分为三类之一：作物、杂草或裸土。棋盘式分割和到行距离计算有助于在杂草长在作物行内等棘手位置上细化判定。重要的是，所有这些步骤都基于一套固定规则运行——这些规则源自关于小麦与杂草外观及生长位置的农艺学知识——并未使用任何人工标注的训练样本。为提高效率，图像以小瓦片分块处理，随后重新拼接成覆盖整个田块的完整分类图。

“无训练”杂草绘图有多准确？

为了评估该方法，团队将自动生成的地图与田间影像中的数千个随机检查点以及人工的杂草覆盖率和计数估算进行了比较。总体上，该流程正确标注了87%的点，且一种称为kappa的统计一致性度量为0.81，被认为是强一致性。针对杂草的检测用户准确度为76%，多数错误出现在作物与杂草冠层密集重叠的区域。尽管如此，自动化的杂草覆盖率和计数与人工田间评分及目视评估高度一致，其关系足够强，表明系统捕捉到的是实际的生物学模式，而非仅仅是图像噪声。

对未来农场的意义

这项工作证明，可以使用专家规则而非人工标注训练集，从无人机影像生成高质量的杂草地图。在标准桌面电脑上，对该2,000平方米田块的完整处理约需20分钟。生成的带标签地图可直接用于评估除草剂效果、指导变速喷洒设备，或为更高级的机器学习和深度学习模型提供现成的训练数据。对于农民和研究人员而言，这类自动标注为更快、更便宜、更可持续的杂草管理开辟了一条路径，推动精准农业更接近日常实践。

引用: Ha, T., Aldridge, K., Johnson, E. et al. Automated weed segmentation with knowledge based labeling for machine learning applications. Sci Rep 16, 6220 (2026). https://doi.org/10.1038/s41598-026-37475-1

关键词: 精准农业, 杂草绘图, 无人机影像, 自动标注, 作物监测