迈向甘蔗作物的自主除草管理系统与技术就绪度评估

在不淹没农田于化学品下的情况下对抗杂草

杂草是农业中的不速之客，从作物那里窃取水分、光照和养分。在甘蔗这种产糖和生物能源的重要作物中，这些“搭便车者”能使产量下降三分之一，并促使农民在整片田地上大量喷洒除草剂。本文探讨现代人工智能是否能赋予拖拉机“眼睛”——能实时识别甘蔗丛中杂草的智能摄像头——以便仅在真正需要的地方施药。

为什么甘蔗田特别棘手

许多近期的人工智能系统在作物与裸土形成明显对比或从空中拍摄图像时，已经可以区分作物与杂草。但甘蔗田构成了更困难的难题。甘蔗是高大多年生禾草；其叶片和茎与许多草本杂草极为相似，两者都以致密、缠绕的绿色簇状生长。相较于简单的绿底棕景，摄像机看到的是绿对绿，伴随有重叠的叶片、变化的光线、灰尘、泥点和雨水。早期研究大多使用无人机图像或杂草与作物在视觉上分明的整洁试验小区。作者认为这并不反映农民面对的混乱现实，需要更贴近实际的基准。

甘蔗中杂草的新的真实世界图景

为填补这一空白，研究团队在路易斯安那的甘蔗田建立了一个新数据集，使用一台大约胸高的地面摄像机，模拟安装在拖拉机或喷雾机上的传感器。他们收集了两千多张高分辨率图像，并将其分为三类场景：仅甘蔗、仅杂草，以及甘蔗与杂草混合的场景。在最具挑战性的混合图像子集中，杂草专家用矩形标注了杂草斑块，以便计算模型不仅学习是否存在杂草，还能学习其位置。关键是，这些图像捕捉了现实条件：许多小芽、与甘蔗交织的杂草以及广泛的杂草斑块，甚至对人工标注者来说视觉边界常常不清晰。

当今人工智能能做什么与不能做什么

研究者随后在三项任务上测试了最先进的深度学习模型。首先，在简单的场景级分类任务——判断图像显示的是甘蔗、杂草还是两者混合——现代网络表现极佳，性能最好的基于变换器的模型准确率约为99%。这意味着在大体层面上，人工智能已能可靠判断甘蔗图像中是否存在杂草。其次，他们考察了目标检测任务，模型必须为单个杂草丛画出边框。在此环节性能急剧下降：他们最好的检测器是一个名为RTMDeT的现代卷积网络，采用ConvNeXt骨干并带几何感知损失函数，取得的AP50得分为44.2，远不能满足自动喷洒所需的置信度。他们还发现，简单提高图像分辨率或混合变换器与卷积特征并未带来改善，有时反而使检测变差。

聚焦于杂草形状，而非单纯的绿色像素

第三项任务是分割：在每个检测到的区域内勾画出确切的杂草像素。团队比较了三种策略，且未专门为该任务训练任何模型：一种强调绿色程度的简单基于颜色的指数、一种通用的“分割任意物体”模型，以及一种从粗略线索中学习的弱监督方法。每种方法都有优劣。基于颜色的方法在杂草明显时能给出清晰轮廓，但当背景植物色调相近时就失效。通用分割模型能较好捕捉结构，但有时会漏掉细小叶片或误取大片背景。弱监督方法在困难的绿对绿场景中往往能找到更多杂草，但倾向于多标注土壤和其他非杂草区域。结合有限的检测分数，这些结果凸显了在真实田间条件下，人工智能要将甘蔗与外表相似的杂草区分开仍然非常困难。

我们离更智能的喷洒系统还有多远？

从农民的角度看，信息喜忧参半。好消息是，人工智能目前已经能够以近乎完美的准确度判断甘蔗场景中是否存在杂草，并且一些检测器足够快，可在现场设备上运行。坏消息是，当前系统在植物缠绕且外观相似时仍难以精确定位每一处杂草，而这正是定点喷洒最为重要的情形。作者得出结论：尽管他们的新数据集与分析是迈向甘蔗自主除草控制的重要步骤，但要达到可靠的田间就绪系统，还需要更好的训练数据、更智能的方法来处理模糊的植物边界，并在受限的机载硬件上实现精度与速度的平衡。简言之，我们比以前更接近了——但尚未达到可以让拖拉机安全接管除草任务的程度。

引用: Papa, J.P., Manesco, J.R.R., Schoder, M. et al. Toward autonomous weed management systems in sugarcane crops and an assessment of technological readiness. npj Artif. Intell. 2, 40 (2026). https://doi.org/10.1038/s44387-026-00096-0

关键词: 精准农业, 杂草检测, 甘蔗, 计算机视觉, 自主喷洒