于昆明理工大学保护性耕作试验田采集图像建立数据集。试验田种植模式为大豆玉米带状复合种植(大豆∶玉米=2∶2，行数比)，种植品种分别为大豆‘中黄57’‘Zhonghuang 57’和玉米‘红单6号’‘Hongdan 6’。于2024年3月—2025年3月禾本科Poaceae杂草最旺盛的玉米三叶期与大豆幼苗期，在不同天气和2个时段(08:00—10:00和13:00—17:00)的自然光条件下，利用DW1600工业相机，采集1 132幅玉米-大豆-杂草复杂背景下幼苗行不同杂草密度的原始图像，图像分辨率为1 920×1 080。为了模拟实际作业场景，在温室大棚与大田环境中拍摄角度与作物杂草面呈30°~90°(正视、侧视、俯视)不同方位，以全面捕捉杂草-作物不同位置和形态特征。

为模拟实际田间环境复杂的光照、视角变化，本研究采取添加随机噪声、调整图像亮度、翻转图像等3种方式对原始数据集进行增强^[12−14]。如图1所示：添加随机噪声模拟图像传感器实际作业过程中遇到的干扰信号；调整图像亮度模拟不同时段的光照变化；水平、垂直、对角线翻转图像模拟实际作业过程中不同视角识别作物与杂草特征。通过增强处理将原始的1 132 幅图像扩展到11 320 幅。

图  1  数据集增强

Figure 1.  Dataset augmentation

幼苗期作物与杂草在外形特征高度相似，且杂草识别还面临识别目标小、分布密集、互相遮挡、光照干扰等问题，导致传统算法识别准确率显著下降^[15]。因此，从主干网络、特征提取和后处理方面对传统实例分割模型进行优化，提出一种适用于大豆玉米带状复合种植下杂草检测AttCSPNet (Attention CSPDark Network)模型。首先，在骨干网络中引入轻量化CSP结构与坐标注意力(CA)机制，通过跨阶段特征传递与空间位置编码增强特征整合能力，提升模型对目标的感知精度^[16]；其次，在特征提取中嵌入基于深度可分离卷积的自适应融合策略，抑制特征冗余，强化对边缘与纹理等判别性特征的提取，提升小目标在复杂背景中的辨识度^[17]；最后，采用并行化非极大值抑制算法减少目标遮挡导致的重复框，提升推理效率与检测结果的清晰度^[18]。

由于复合种植环境下杂草的时空异质性特征，需要通过智能分级算法在实际工作环境下实时分析田间杂草的分布和密度，精确计算杂草覆盖率并精准分级，为后续精准施药系统及时提供科学的决策基础。

测量大豆、玉米的行距、株距(精度为1 mm)，并计算相应的种植密度参数。基于实测的作物空间分布数据，参照农业农村部办公厅发布的《转基因耐除草剂玉米大豆田杂草防治药效试验准则》中的相关技术标准，制定杂草覆盖率的分级评价体系。

分级算法是通过计算杂草覆盖率，将掩码信息转化为量化的密度等级，并根据杂草分级标准输出杂草等级(图2)。具体流程如下： AttCSPNet模型输出检测框和分割掩码，识别并分割出杂草区域；通过类别过滤的方式，从模型输出中提取s_weed或m_weed类别的掩码，采用形态学运算进行后处理，合并为总杂草区域；将合并后的掩码转换为二值图像，其中杂草区域设置为白色像素(像素值设为255)，其他作物与土壤背景等信息设置为黑色区域(像素值设为0)。计算白色像素占比，得出杂草覆盖率(S)。

图  2  分级算法过程图

Figure 2.  Hierarchical algorithm process diagram

分区变量施药系统主要由杂草图像获取与识别模块、分区变量施药控制模块、平均流量检测模块、供药模块等组成^[19]。除草装置开始作业时，由上位机完成与工业摄像头的串口通信，进行种植带内的图像采集；运行AttCSPNet模型识别作物与杂草，启动分级算法计算杂草面积占比，完成杂草分级；将获得的作物类别以及杂草等级显示于上位机界面，提示打开的除草剂类别，完成分区施药任务；同时通过串口通信协议发至下位机，由下位机获得的不同种植带对应的杂草等级选择相应的模拟信号，调整电磁阀的开度，实现分区施药除草作业下的变量施药。

本研究搭建的智能除草装置(图3)由实时检测系统、移动底盘装置及施药执行模块构成。实时检测系统采用IMX586锐尔威视工业级摄像头收集田间数据，提出的AttCSPNet模型实时识别田间作物与杂草并分级，选定大豆或玉米专用除草剂。移动底盘装置由24 V电源、车轮、置物板、机架等组成，满足复杂农田地形下稳定行进的要求。施药执行模块由计算机、单片机、药箱、泵、电磁阀、流量计等组成，通过STM32F103单片机整合杂草实时检测系统数据后，PWM模块生成控制电磁阀信号调控施药量。

图  3  除草装置示意图

Figure 3.  Schematic diagram of the weed control device

开发环境选择Keil uVision5和STM32CubeMX，使用C语言进行软件程序开发，采用模块化设计方法，将各功能模块独立开发、逐步调试，确保各模块之间接口清晰、功能协同，便于后续功能扩展和维护。

基于系统硬件组成，结合大田喷药作业需求，变量喷药系统采用上位机和下位机协同工作的方案^[20]，采用基于UART的串口通信协议完成上位机与下位机之间的实时通信，固定帧结构中包含作物类型、杂草等级等关键指令信息。协议设定115 200 bps波特率，通过异或校验与重传机制确保数据传输的可靠性。上位机利用工业摄像头和改进的AttCSPNet模型实时采集并分析田间图像，在完成杂草识别与分级后，以作物标签作为分区施药的判断依据，将根据图像生成的杂草覆盖率数据封装为数据帧发送至下位机；下位机STM32F103解析指令并生成对应PWM信号以控制电磁阀开度，实现按需施药。该协议结构简洁、响应迅速(＜50 ms)、抗干扰性强。

基于分层控制与模块化设计思想，本系统控制流程划分为上位机的智能感知决策层与下位机的精准执行层，通过串行通信协议协同工作，构成闭环控制系统。上位机部分进行系统初始化并通过PySerial检测串口连接，确保工业相机与串行通信端口就绪，先调用OpenCV库函数对田间作物与杂草的图像进行实时采集，将图像传输给模型进行尺寸归一化，获取作物类别及其对应的边界框与掩膜数据。为保证杂草面积检测的准确性，掩膜会还原至原图尺寸，通过二值化提取杂草面积，计算像素面积及占比。上位机程序根据结果进行决策：若未识别有效作物目标，则生成特殊指令，标志无有效施药区域；若成功识别，则提取“s_weed”或“m_weed”类别的掩膜，通过像素计算杂草覆盖率。最后，系统将作物类型与杂草覆盖率通过通信协议封装成数据帧，通过UART串口发送至下位机，完成视觉信息到控制指令的转化。下位机作为系统执行单元，主程序初始化后持续监听并解析串口数据，将杂草覆盖率映射为模拟电压控制信号，该映射关系公式如下：

式(1)中：$ {V}_{\text{out}} $为模拟电压控制信号，V；$ S $为杂草覆盖率。

利用STM32的定时器根据此映射关系配置生成对应的PWM波形，通过调整占空比实现模拟电压的动态控制输出，经电路转换后驱动电磁比例阀，实现开度的精确控制。当下位机解析到上位机发送的“未识别到有效作物”指令或接收到的数据异常时，会强制将输出电压设置为0 V，避免喷头误动作，保障施药作业安全。

以YOLOv8为基准模型，添加不同的模块进行消融试验验证模型改进后性能，并利用改进后的模型进行田间杂草检测试验。通过准确率反映模型精准区分目标的能力；召回率反映模型杂草漏检控制能力；平均精度反映模型在不同作物下杂草类别的整体识别能力^[21−22]。

①除草装置。本研究搭建的大豆玉米带状复合种植除草装置如图4所示。将分区变量施药控制系统搭建在四轮驱动底盘上，经过实地测量相机布置高度为50 cm；四轮驱动底盘通过左右轮差速实现转向，以满足田间低速小半径调头与行间微调需求；结合大豆行距 30~50 cm、玉米行距 50~70 cm的农艺条件，装置轮距取 40~50 cm，保证车轮沿行间通过并降低压苗风险。将单片机、电磁阀、电源等部件进行电路连接构成药液控制系统；将药箱、电磁阀、流量计和喷头等进行管路连接，构成药液传输系统。药箱作为施药模块重要部件，选用去除喷头的科麦斯电动喷雾器作为药箱，容量为18 L，平均流量经测量为3.8 L·min⁻¹，喷头类型为扇形喷头，工作压力0.1 MPa，喷幅为1.2 m。在田间环境下，对大豆种植带与玉米种植带中的作物和杂草进行实时检测，完成连续喷药流程并记录试验数据。

图  4  大豆玉米间套复种除草装置

Figure 4.  Soybean and corn intercropping weeding device

②分区变量施药除草剂及用量。考虑到除草装置在施药过程中存在延时问题，影响杂草检测系统实时检测与施药系统执行协同性。若控制系统频繁切换信号量，易导致系统输出失稳，降低除草装置施药安全性并诱发作物药害风险，所以将实际田间杂草密度等级进行划分：微量(1~2级，0~2.5%)，轻度(3~4级，2.6%~10.0%)，中度(5~6级，10.1%~35.0%)，重度(7~9级，35.1%~100.0%)。根据全国农业技术推广服务中心印发的《2024年大豆玉米带状复合种植田杂草防治技术指导意见》以及田间杂草的实际生长情况，选用不同除草剂的种类、混合比对轻度、中度、重度杂草密度等级在试验田开展梯度施药试验，如表1所示。每次重复3次处理，兑水量为450 L·hm⁻²，背负式电动喷雾器喷头高度保持在距离作物顶端30~40 cm处。

施药后第7天调查杂草死亡情况以及药害情况，记录各试验点内存活杂草的数量计算杂草密度降低的百分比、施药后作物叶片是否出现黄化、焦枯等症状评估施药过程中作物是否受到药害，确保施药方案的安全性^[23−24]。通过公式计算防治效果与受害率，确定不同杂草密度等级下安全施药量范围^[25]。

防治效果(E)计算公式如下：

式(2)中：$ E $为防治效果；$ {N}_{{\mathrm{CK}}} $为处理前处理区杂草株数； $ {N}_{{\mathrm{PT}}} $为处理区残存杂草株数。

受害率(X)计算公式如下：

式(3)中：$ X $为受害率；$ N_{i} $为受害等级为i的植株数；$ S_{i} $为第i级对应的级别值；$ T $为总株数；$ M $为最高级别值。

施药量计算公式如下：

式(4)中：D为施药量，L；D_all为用药量，L；t为施药时间，min。

在大田选取2个50 m²区域启动除草装置以0.3 m·s⁻¹匀速行走，在传统施药模式下用流量计记录传统施药量；在变量施药模式下记录行驶过的不同杂草等级区域面积和装置通过区域的实际施药时间，计算变量施药量。省药率计算公式如下：

式(5)中：$ A $为省药率；$ C $为传统施药量；$ {C}_{i} $为不同杂草区域变量施药量；$ {t}_{i} $为不同杂草区域通过时间。

以省药率作为变量喷药系统的评价指标，对大豆种植带和玉米种植带在不同杂草密度等级下实际作业的变量施药效果进行分析。

改进后的Base+SCConv+CA模型结果如表2所示：Base+SCConv+CA组合取得了最佳性能，体现了特征增强与冗余压缩的协同优势。准确率提升1.6个百分点，召回率提升0.2个百分点，目标精度提升1.0个百分点，表明改进后模型杂草识别能力提升，分割精度及预测结果的准确性优于对比模型，具有良好的鲁棒性和泛化能力，可以完成大豆、玉米和杂草的识别任务。性能对比如图5所示。

图  5  性能对比图

Figure 5.  Performance comparison chart

改进后模型进行田间杂草检测结果如表3所示，图像检测结果如图6所示。田间试验结果表明：随着杂草密度等级由轻度向重度增加，杂草识别模型的检测准确率呈现一定程度下降，但在大豆种植带和玉米种植带下整体检测准确率仍保持在90%以上，误检率和漏检率均在5%以下，表明模型在复杂田间环境中具有较好的稳定性和实用性。模型在高密度杂草场景下性能下降，主要与杂草目标空间分布密集、相互遮挡加剧以及作物与杂草形态特征高度相似有关。一方面，SCConv模块在进行空间特征重建和冗余压缩时，可能对密集遮挡区域中部分弱特征产生抑制作用，导致部分杂草实例在特征层面被削弱；另一方面，CA 注意力机制在目标高度重叠区域中，由于坐标信息相互干扰，容易出现注意力分散现象，从而降低对相邻杂草目标的区分能力。尽管在高密度杂草条件下识别性能有所下降，但模型在推理速度、识别精度与误检控制之间保持了较好的平衡，能够满足田间实时检测与变量施药作业对稳定性和响应速度的要求，说明该模型在实际农业应用场景中具有较强的鲁棒性。

图  6  图像检测结果

Figure 6.  Image detection result

针对大豆-玉米种植带不同杂草密度，设置梯度施药流量与3组除草剂复配处理，测定各处理的杂草防治效果与作物受害率，筛选各田间场景的最优施药方案。结果显示：处理②在各场景下综合表现最优：玉米种植带内，轻度区1.75 L·min⁻¹流量下防效88.45%、无药害，中度区2.90 L·min⁻¹流量下防效96.33%、无药害，重度区3.00 L·min⁻¹流量下防效95.21%、无药害；大豆种植带内，轻度区1.75 L·min⁻¹流量下防效 85.18%、无药害，中度区2.90 L·min⁻¹流量下防效98.45%、无药害，重度区3.00 L·min⁻¹流量下防效96.35%、无药害。其余处理组合防效普遍偏低，且多伴随不同程度药害，为验证变量施药策略的稳定性，对不同杂草等级下的核心指标开展统计显著性分析。

如表4所示：防治效果在不同杂草密度等级间差异不显著，且防治效果均为80%以上，表明变量施药策略在不同杂草等级下均能够保持较为稳定的防治效果；作物受害率整体处于较低水平，不同杂草密度等级间差异不显著，表明变量施药在不同杂草等级下并未显著增加作物药害风险，具有良好的作物安全性。省药率为基于施药量计算得到的工程评价指标，未作为重复试验统计变量进行显著性检验，仅用于评价变量施药与传统施药在用药量上的差异。

根据试验结果，大豆种植带与玉米种植带分区变量施药量在轻度、中度和重度场景下分别为1.75、2.90和3.00 L·min⁻¹，而在传统连续施药作业情况下，施药平均流量达3.80 L·min⁻¹。田间试验结果显示(表5)：基于杂草分级的分区变量施药策略在保证防治效果80%以上和作物安全生长的前提下，可显著降低除草剂使用量，整体省药率达到21.15%~53.97%。可见，利用杂草空间分布差异实施差异化施药，是提高农药利用率、降低施药冗余的重要手段。

本研究设计了一种改进的深度学习模型结合动态变量施药技术的智能除草装置，能实现作物与杂草的精准识别、分级及差异化施药。优化后模型平均精度达到94.8%。利用杂草分级算法结合田间预试验确定的除草剂平均流量范围，控制施药量实现轻、中、重度杂草区域的差异化施药。田间试验表明：装置省药率最高达53.97%，提高农药利用率，降低药害风险。

与现有基于YOLO、Faster R-CNN等目标检测方法相比，实例分割能够提供像素级区域信息，在大豆-玉米带状复合种植条件下，对作物与杂草形态相近、分布密集及相互遮挡等情况表现出更好的区分能力。已有变量施药研究多集中于喷量调控或对靶喷雾，对复杂田间环境下识别、分级与施药协同控制的研究相对较少。本研究将杂草识别、覆盖率分级与分区变量施药结合，在保证防治效果和作物安全性的同时取得了较好的节药效果。需要指出的是，本研究数据来源和杂草类型仍较有限，模型对不同区域、不同作物组合的适应性尚需进一步验证，复杂光照和地形条件下的长期作业稳定性也有待考察；此外，当前施药策略主要基于预设阈值，动态自适应能力仍有提升空间。