这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

西北农林科技大学团队在《Computers and Electronics in Agriculture》发表草莓田自主激光除草机器人研究成果

作者及机构
本研究由西北农林科技大学机械与电子工程学院的Peng Zhao、Junlin Chen、Jiahao Li、Shuqin Yang（通讯作者）等团队联合农业农村部农业物联网重点实验室、陕西农业信息感知与智能服务重点实验室及陕西驭畅智能装备有限公司共同完成，发表于Elsevier旗下期刊《Computers and Electronics in Agriculture》2025年第229卷。

一、研究背景与目标

科学领域：本研究属于农业机器人（Agricultural Robotics）与计算机视觉（Computer Vision）交叉领域，聚焦于精准农业中的杂草防控技术。

研究动机：草莓田杂草繁殖快，与幼苗竞争养分和光照，并成为病虫害中间宿主。传统除草剂危害环境与工人健康，机械除草易损伤作物根系。激光除草技术因非接触、高精度特性成为潜在解决方案，但现有技术难以同时实现导航路径识别、杂草定位与作物保护。

研究目标：
1. 开发基于DIN-LW-YOLO算法的自主激光除草机器人；
2. 实现草莓苗、滴灌管、杂草及杂草生长点的多目标实时检测；
3. 通过田间试验验证除草效率与作物安全性。

二、研究流程与方法

1. 机器人硬件设计

结构组成：
- 视觉系统：Intel RealSense D435i相机（分辨率1280×720）搭配NVIDIA GTX 2060 GPU主机；
- 激光系统：YLPS-1000-A-S-2010激光器（波长1064nm）与Sino-Galvo HP10-2000振镜；
- 底盘：可调轨距履带式底盘（宽度900–1300mm），搭载48V 2000W无刷电机，适应草莓田垄间作业。

创新设计：
- 相机与激光振镜同轴安装，减少坐标转换误差；
- 履带间距电动调节，适配不同田垄宽度。

2. 数据集构建

数据采集：
- 场景：陕西杨凌草莓育苗基地的温室与大田，涵盖不同光照、土壤湿度及生长阶段（2023年4–8月）；
- 设备：Sony 4K FDR-AX45相机与机器人搭载的RealSense D435i；
- 样本量：2153张图像，标注草莓苗、杂草、滴灌管边界框及杂草生长点坐标。

数据特点：
- 小目标占比高（杂草相对图像面积中位数0.08%–0.58%）；
- 滴灌管呈细长形态（长宽比>10:1），传统检测模型易漏检。

3. DIN-LW-YOLO算法开发

基础模型：基于YOLOv8s-pose改进，保留关键点检测能力，适配多目标识别需求。

核心改进：
- EMA多尺度注意力机制：在Backbone的SPPF层及检测头前加入EMA（Efficient Multi-scale Attention）模块，通过分组编码全局信息，提升小目标（如杂草生长点）检测精度；
- C2f-DCNv3模块：将特征融合层的C2f模块中第二层卷积替换为可变形卷积（Deformable Convolution），自适应捕捉滴灌管的细长特征；
- 高分辨率检测头：新增160×160检测层，结合原有80×80至20×20层，形成四级特征金字塔。

训练参数：
- 输入尺寸640×640，Batch Size 16，Epoch 300；
- 硬件：双NVIDIA RTX 3090 GPU，PyTorch 2.0框架。

4. 控制系统设计

导航控制：
- 基于滴灌管宽度反馈控制：若检测宽度超过阈值H1，则停转单侧电机实现转向；
- 激光定位：通过TCP协议将杂草坐标传输至振镜，避开与草莓苗重叠区域。

5. 田间试验

测试指标：
- 模型性能：mAP（平均精度）、FPS（帧率）；
- 除草效果：除草率（Weed Control Rate）、伤苗率（Seedling Injury Rate）。

实验设计：
- 5次重复试验，每次布置100株草莓苗与100株杂草；
- 机器人行进速度0.5m/s，激光工作高度0.6m（覆盖面积0.3×0.4m）。

三、主要结果

1. 模型性能

• 区域目标检测：mAP达88.5%（草莓苗90.0%、杂草82.3%、滴灌管95.5%），较原YOLOv8s-pose提升3.7%；
  
• 点目标检测：杂草生长点mAP 85.0%，提升2.6%；
  
• 实时性：推理速度31 FPS，满足田间实时作业需求。
  

2. 田间验证

• 除草效果：平均除草率92.6%，伤苗率1.2%，优于行业标准（除草率>80%，伤苗率%）；
  
• 激光有效性：照射后3天内杂草完全枯萎（图16）。
  

3. 对比实验

• DIN-LW-YOLO在密集杂草场景的重复检测率比YOLOv5s-pose降低43%；
  
• 滴灌管两端检测完整率提升至95.5%（Centernet仅为72%）。
  

四、结论与价值

科学价值：
1. 提出首个融合滴灌管导航与激光除草的多任务检测模型，为农业机器人环境感知提供新范式；
2. EMA注意力机制与可变形卷积的组合策略，可推广至其他小目标及细长目标检测场景。

应用价值：
- 单台机器人日均作业面积可达5亩，较人工除草效率提升20倍；
- 无化学药剂残留，符合绿色农业发展趋势。

五、研究亮点

1. 多目标协同检测：首次实现草莓苗保护、滴灌管导航、杂草生长点定位的三重功能集成；
   
2. 算法创新：EMA模块通过跨空间信息聚合保留小目标位置细节，C2f-DCNv3模块参数量仅为原模型的84.5%；
   
3. 工程适配性：可调轨距底盘与同轴视觉-激光设计，提升复杂田间的适应性。
   

六、局限性与展望

1. 密集杂草误检：簇生杂草易被重复识别（图21a），未来需增加形态学后处理；
   
2. 动态避障缺失：当前系统仅处理静态障碍，后续需集成实时路径规划算法。
   

该研究为草莓田精准除草提供了可靠的技术方案，相关算法框架已申请发明专利，预计2025年进入产业化试验阶段。