PSPEdgeWeedNet：基于边缘感知深度学习的花生田间作物-杂草精准分割新方法

《Scientific Reports》：Deep learning approach for crop-weed segmentation in peanut cultivation using PSPEdgeWeedNet

本研究针对精准农业中作物与杂草视觉相似度高、边界分割困难的问题，提出了一种新型边缘感知深度学习架构PSPEdgeWeedNet。该模型在PSPNet基础上集成边缘检测分支和边界感知损失函数，结合条件随机场后处理，显著提升了花生田间作物与杂草的语义分割精度。实验结果表明，该模型在交并比(IoU)、精确度、召回率和F1分数等多项指标上均优于PSPNet、UNet、SegNet、DeepLabv3、Swin-Unet和轻量级ViT变换器模型，为复杂农田环境下的自动化杂草检测系统提供了更鲁棒的解决方案。

　　

在现代化农业中，杂草管理一直是个令人头疼的难题。这些"不速之客"不仅与作物争夺阳光、水分和养分，导致作物减产高达70%，还成为病虫害的温床。花生作为重要的油料作物，在播种后40-45天的关键生长期尤其容易受到杂草侵害。虽然精准农业技术的发展催生了自动化杂草检测系统，但由于作物与杂草在外观上高度相似，加上田间光照变化和复杂背景的干扰，实现精准的作物-杂草分割仍然面临重大挑战。

传统的语义分割模型如PSPNet、UNet等往往在边界 delineation 上表现不佳，难以区分紧密簇拥或重叠的植被。这就像是在人海中寻找失散的亲人，当大家穿着相似的衣服、有着相似的身材时，仅凭外貌特征很难准确识别。在农田中，这种"认错人"的情况会导致除草剂滥用或漏除，既增加成本又影响环境。

为了解决这一难题，Manipal Institute of Technology的研究团队在《Scientific Reports》上发表了一项创新研究，提出了PSPEdgeWeedNet——一种专门针对花生田间作物-杂草分割的边缘感知深度学习架构。这项研究就像给传统的分割模型配上了一副"边界透视镜"，使其能够更清晰地区分作物与杂草的界限。

关键技术方法

研究采用公开的花生数据集（400张720×960像素RGB图像），基于PyTorch框架在NVIDIA A100 GPU平台上进行实验。PSPEdgeWeedNet以ResNet101为骨干网络，集成了金字塔场景解析模块(PSP)捕获多尺度上下文信息，新增边缘检测分支学习语义边界特征，并采用结合交叉熵损失和边界感知损失的双重损失函数。边界感知损失通过Sobel算子提取预测与真实标签的边缘图，以均方误差优化边界对齐。训练使用Adam优化器（学习率1e-4，批次16，100轮次），采用类别权重（作物=2，杂草=3，背景=1）缓解类别不平衡，未使用数据增强。推理后采用条件随机场(CRF)进行边界后处理优化。

模型架构设计

PSPEdgeWeedNet的核心创新在于将边缘检测模块与传统语义分割任务相结合。如图4所示，模型包含三个关键组件：特征提取骨干网络、金字塔池化模块和边缘检测分支。这种设计使模型能够同时学习全局上下文信息和局部边界特征，就像在观察一幅画时既把握整体构图又关注细节轮廓。

图5展示了完整的模型架构。边缘检测模块通过专门的卷积层从ResNet101骨干网络提取的特征图中学习边缘概率图，重点突出作物、杂草和背景之间的过渡区域。边界感知损失函数则通过Sobel算子计算预测分割图与真实标签之间的边缘差异，确保模型在训练过程中特别关注边界区域的准确性。

实验结果分析

在性能对比实验中，PSPEdgeWeedNet展现出了显著优势。如表3所示，该模型在精确度(0.9399)、召回率(0.9335)、F1分数(0.9358)和交并比(0.8797)等关键指标上均优于所有对比模型，包括PSPNet、UNet、SegNet、DeepLabv3、Swin-Unet和轻量级Vision Transformer模型。

图12的可视化结果清晰展示了PSPEdgeWeedNet在边界分割质量上的提升。与基线模型相比，新模型生成的作物和杂草边界更加清晰连续，误分类情况显著减少，叶片形态结构保持更完整。特别是在复杂背景下重叠植被的区分能力明显增强。

消融实验验证

为了验证各模块的贡献，研究团队进行了系统的消融实验。表6结果显示，单独使用边界感知损失或边缘检测分支都能提升模型性能，但两者结合时效果最佳，证明边缘检测和边界损失在改善分割质量方面具有互补作用。

图13进一步对比了两种PSPNet变体的分割效果。仅使用边界感知损失的模型在杂草叶片结构保持上存在不足，而仅使用边缘检测模块的模型虽然整体分割质量有所提升，但在细小杂草检测上仍有局限。PSPEdgeWeedNet通过整合两种策略，在保持结构完整性和边界精度之间取得了更好平衡。

模型泛化能力

研究还测试了模型在未知数据集上的泛化能力。如图10所示，PSPEdgeWeedNet在印度Udupi地区采集的新花生数据集上成功识别了所有花生作物实例，表明其具有一定的跨区域适用性。不过，模型对训练数据中未出现的杂草种类识别能力有限，揭示了当前模型在泛化性方面的边界。

局限性与未来展望

研究也坦诚指出了PSPEdgeWeedNet的局限性。如图8所示，模型对极小或稀疏分布的杂草实例检测能力不足，这主要源于深层网络中细尺度信息的丢失。此外，训练数据规模和地理多样性有限，可能影响模型在更广泛农田环境中的适用性。

未来工作将围绕多作物扩展、杂草种类多样化、实时部署优化等方面展开。特别值得关注的是，将模型与无人机(UAV)和农业机器人集成，实现田间实时杂草检测与精准除草，有望真正推动精准农业从理论走向实践。

研究结论

PSPEdgeWeedNet通过整合边缘感知机制，显著提升了复杂农田环境下作物与杂草的语义分割精度。该模型在边界定位、结构保持和误分类减少方面的优势，为自动化杂草管理系统提供了更可靠的技术基础。虽然在小目标检测和跨区域泛化方面仍有提升空间，但其创新的架构设计和优异的性能表现，为深度学习在精准农业中的应用开辟了新途径。随着算法优化和数据扩展，这类边缘感知模型有望在可持续农业发展中发挥越来越重要的作用。