《Engineering Applications of Artificial Intelligence》：Precise weed identification and differentiated laser weeding strategies for
Salvia miltiorrhiza fields based on an enhanced object detection network
编辑推荐：
有效控制丹参种植中的杂草是关键，本研究开发了一种基于改进YOLO模型的智能激光除草机器人，通过多级差异化激光策略实现精准除草，田间试验显示除草率达90.2%且作物损伤率仅1.9%。
Xianlin Cao|Jinkai Zhang|Kaidong Liu|Xinyu Wu|Yatuan Ma|Jifeng Ning|Shuqin Yang
西北农林科技大学机械电子工程学院，中国陕西省杨陵市，712100
摘要
有效的杂草控制对于丹参的种植至关重要，然而传统方法往往效率低下、成本高昂或具有污染性。为了解决这一问题，本研究开发了一种基于改进的目标检测模型的激光除草机器人，该模型能够识别杂草并实施有针对性的策略。首先，构建了一种适用于丹参田地的自主驱动激光除草机器人以满足操作要求。其次，建立了一个包含丹参和五种杂草家族的真实世界田间数据集。该检测模型基于You Only Look Once (YOLO)架构进行优化，整合了基于注意力的特征交互、动态空间注意力和小目标特征增强模块。这些改进增强了小目标的特征识别能力，提高了被遮挡目标的定位精度，并增强了相似目标的区分能力。第三，根据杂草的生物学特性，开发了一种多层次、差异化的激光除草策略，以精确瞄准生长点同时确保作物安全。最后，将模型和策略部署在机器人上，实现实时检测和智能激光除草。测试结果表明，所提出的模型性能优越：目标检测的准确率达到78.09%（比基线高2.54%），关键点检测的准确率为80.69%（比基线高8.22%）。平均精度（mAP50）指标分别提高了2.34%和2.88%。田间试验显示，杂草控制率达到90.2%，同时对丹参的损伤率仅为1.9%。这些结果验证了该系统的有效性和实用性，为丹参及其他高价值药用作物的智能杂草管理提供了关键技术支持。
引言
丹参是一种重要的中药材，广泛用于预防和治疗心血管疾病及多种慢性疾病。其广泛应用源于其促进血液循环、消除血瘀、清热解毒的功效，从而带来了显著的经济和社会效益（Baoyu等人，2023年；Jiang等人，2025年；Liu等人，2025年）。在大规模种植中，丹参通常采用垄作方式栽培。在幼苗阶段，这种植物对水分条件非常敏感，这为杂草生长创造了有利环境。杂草不仅与作物竞争光照、水分和养分等关键资源，还会破坏土壤结构。此外，杂草还可能成为害虫和病原体的寄主，对丹参的健康生长和最终产量构成严重威胁（Jason和Singarayer，2024年；Wiafe等人，2025年）。因此，高效精准的杂草控制对于保证丹参的质量和产量至关重要。
目前，常见的杂草管理方法包括覆盖、人工除草、机械除草和化学除草（Christophe等人，2025年；Zhang等人，2024年）。然而，这些传统方法在实际应用中存在一定的局限性。覆盖可以抑制杂草生长，但常常会导致塑料残留污染。人工除草虽然有效，但劳动强度大、效率低且成本高，难以满足大规模种植的需求。机械除草适用于行间操作，但在株间和高密度种植环境中容易损伤作物，且难以清除所有杂草。化学除草短期内效果显著，但农药残留会影响丹参药材的质量并带来环境威胁。长期使用还可能引发杂草抗性和土壤退化（Andreasen等人，2024年；Christian等人，2023年；Li等人，2022年）。据统计，在当前的丹参种植模式中，覆盖、人工清除和化学药剂结合的除草方法占总种植成本的50%以上，这对丹参产业的可持续发展构成了重大挑战。
因此，探索新的、环保且高效的杂草清除技术迫在眉睫。激光除草因其非接触式、无残留和高度选择性而展现出巨大潜力（Hu等人，2024a）。Heisel等人（2001年）率先设计了用于切割杂草（如普通藜）的CO2激光器，并基于杂草干重建立了能耗模型。随后，Marx等人（2012年）评估了10600纳米CO2激光对不同生长阶段单子叶和双子叶杂草的影响。近年来，随着激光成本的降低和控制技术的进步，出现了更多实用的激光除草设备。Ildar和Christian（2020年）基于低功率激光开发了一个原型，并提出了一个杂草控制决策模型。Andreasen等人（2024年）研究了激光能量对杂草顶端分生组织的破坏作用。这些基础研究为激光除草的机制和可行性提供了重要支持。
机器视觉和深度学习的快速发展为激光除草技术的智能和精准应用开辟了新途径。通过实时分析田间图像，系统可以准确识别杂草并引导激光束进行精准清除，显著提高了操作效率和选择性。Jiqing等人（2022年）基于YOLOv4开发了一个YOLO-sesame模型用于芝麻田的杂草检测。Fan等人（2024年）开发了一个轻量级的YOLOv5网络，用于高效识别棉花和杂草。该模型不仅能检测作物和杂草，还能分类杂草侵染程度以指导变量喷洒。Kong等人（2024年）使用分割网络进行间接杂草检测。Hu等人（2024b）提出了Multimodule-YOLOv7-L模型用于生菜田的杂草检测和严重程度评估。Xu等人（2025年）通过多视图图像分析克服了小麦田中叶片遮挡的问题。Lu等人（2025年）改进了YOLOv8并集成TensorRT，提升了田间杂草识别的实时性能。Zhao等人（2025年）基于DIN-LW-YOLO成功开发了一种用于草莓田的自主激光除草机器人。这些研究极大地推动了激光除草技术的发展。
尽管取得了这些进展，基于机器视觉的激光除草技术在应用于丹参等经济作物田地时仍面临若干挑战：（1）目标特征复杂：丹参幼苗很小，其早期形态与某些杂草相似。此外，田间杂草类型和形态多样，增加了精准识别的难度。（2）生长点定位困难：激光除草的核心在于精确击中杂草的生长点，但目前关于检测杂草生长点的研究相对较少。生长点本身很小且容易被遮挡。（3）场景多变：田间光照、土壤背景、作物与杂草之间的空间分布以及相互遮挡情况会动态变化，这要求检测算法具有极高的鲁棒性。（4>单一激光除草策略：现有研究通常将杂草视为单一类别，应用统一的激光参数，忽略了不同杂草家族之间的生物学特性和激光敏感性的差异，因此难以在除草效果和作物安全之间取得最佳平衡。
为了解决上述问题，本研究旨在开发适用于丹参田地的智能激光除草方案。具体研究目标包括：（1）设计并构建适用于丹参田地垄作种植的激光除草机器人。（2）建立包含丹参、各种杂草及其生长点的真实多样化的田间图像数据集；提出一种高性能的WEED-YOLO深度学习模型，实现丹参、不同杂草类型及其生长点的的高精度实时识别和定位。（3）根据杂草的家族级生物学特性，制定差异化的多层次智能激光除草策略。（4）将开发的视觉识别模型和激光除草策略部署在机器人上，并通过田间实验验证其综合除草效果。本研究旨在通过解决丹参田地激光除草技术应用中的关键问题，为经济作物（如中药材）的精准智能保护提供理论基础和技术支持。整体流程图如图1所示。
部分内容
丹参田激光除草机器人
本研究开发的激光除草机器人采用四轮驱动的龙门架结构，专为垄作设计。如图2所示，系统集成了四个关键模块：利用Intel RealSense D435i深度相机的视觉检测系统、配备1500瓦水冷光纤激光器和振镜的激光控制系统、轮式底盘以及双电源单元。控制架构如图3所示，通过中央计算机处理视觉信息
WEED-YOLO杂草检测模型
丹参田中的智能杂草识别面临多项技术挑战：（1）丹参幼苗很小，其在图像中的目标特征信号较弱。（2）杂草种类繁多且形态多样，增加了分类难度。（3>作物与杂草之间以及杂草之间的空间重叠严重，导致广泛遮挡和关键点定位不准确。
实验环境
本研究使用PyTorch框架在Ubuntu 20.04操作系统上进行实验。具体实验环境和配置详见表6。
评估指标
为了全面评估WEED-YOLO模型的杂草识别性能和激光除草策略的实际效果，我们选择了八项在目标检测领域广泛使用的标准评估指标：精确度（P）、召回率（R）、平均精度（mAP）、F1分数等
不同杂草密度和遮挡水平下的模型性能
田间杂草的分布密度和相互遮挡是影响视觉识别系统性能的关键环境因素。本研究通过对比实验系统评估了WEED-YOLO模型在不同杂草密度和遮挡水平下的检测性能，如图14所示。结果与基线模型YOLO11s-pose进行了比较。图中的放大区域显示了部分对比结果，红线表示遗漏的检测点
结论
本研究开发了一种用于
丹参田地的激光除草机器人，集成了WEED-YOLO视觉感知系统和差异化的除草策略，并通过田间实验进行了验证。主要结论如下：- (1)
成功设计并构建了适用于丹参田地的激光除草机器人。该机器人具有坚固的四轮驱动龙门架式轮式底盘，轮距可调（0.7-1.2米），配备1500瓦水冷光纤激光器，确保了稳定的田间作业
CRediT作者贡献声明
Xianlin Cao：撰写——原始草案、方法论、调查、数据分析、概念化。Jinkai Zhang：调查、数据整理、概念化。Kaidong Liu：可视化、调查、数据整理。Xinyu Wu：方法论、调查、数据整理。Yatuan Ma：验证、资源管理、调查。Jifeng Ning：撰写——审稿与编辑、验证、监督。Shuqin Yang：撰写——审稿与编辑、验证、监督、项目管理、资金支持
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
致谢
本研究由陕西省自然科学基础研究计划项目（2024JC-YBMS-150）资助。
