基于增强UNet与无监督聚类的油菜-杂草双任务协同分割：精准农业中的轻量化解决方案

本文创新性地提出结合增强VD-UNet（参数减少43.75%）与LAB(ab)-Kmeans无监督聚类的双任务框架，解决油菜(Brassica napus L.)与杂草颜色相似、标注成本高的难题。VD-UNet以97.40% mIoU（较DeepLabv3+提升2.83%）和10.33 FPS实现高效分割，而LAB(ab)-Kmeans通过掩膜引导和a/b通道聚类（轮廓系数0.60）实现零标注杂草检测，为智能除草设备提供实时解决方案。

　　

亮点

本研究首次提出结合监督与无监督学习的双任务协同分割框架，通过轻量化VD-UNet（基于VanillaNet编码器+DySample解码器）实现油菜精准分割（mIoU 97.40%），并创新性采用掩膜引导的LAB(ab)-Kmeans方法，在排除作物干扰后仅用a/b通道聚类完成杂草定位，无需标注且抗光照变化（60%亮度下Jaccard相似度96.31%）。

方法

VD-UNet架构：

1. 轻量化设计：采用VanillaNet替代传统UNet编码器，参数量降低43.75%，FLOPs减少10.91%；

2. 动态上采样：DySample解码器增强边缘细节恢复，推理速度达10.33 FPS（1024×1024分辨率）。

LAB(ab)-Kmeans流程：

1. 掩膜生成：先用VD-UNet分割油菜并屏蔽作物区域；

2. 色彩空间转换：将剩余区域转换至LAB空间，仅提取a/b通道进行K-means聚类（聚类数K=3），计算效率较全通道提升18.6%。

结论

该框架为精准农业提供低成本、高实时性的杂草管理方案，特别适用于嵌入式智能除草设备。未来将探索多作物适配性与田间动态环境鲁棒性优化。

（注：翻译保留原文技术术语如VD-UNet、DySample等，省略文献引用标识[1][2]及图示标签Fig.1）