在农业生产的大舞台上，精准区分作物和杂草一直是个棘手的难题。想象一下，农田里的大白菜和杂草相互交织，它们在大小、形状和生长密度上各不相同，土壤、灌溉线等还会带来视觉干扰，多变的光照条件更是让图像处理雪上加霜。传统的除草方式依赖大量人力，不仅效率低下，而且使用农药还会污染环境。随着科技的发展，基于深度学习的图像识别技术进入农业领域，其中语义分割技术凭借像素级的精细识别能力，成为识别幼苗和杂草的主流方法。然而，像 Pyramid Scene Parsing Network（PSPNet）、Expectation-Maximization Attention Networks（EMANet）等语义分割模型，在农业应用时却问题频出，计算复杂度高、实时性能差、模型体积大，严重阻碍了它们在大规模农业生产中的推广应用。即便大名鼎鼎的 DeepLabv3+，有着强大的语义分割能力，却也存在计算复杂、识别小目标能力欠佳等问题，在农业场景中难以施展拳脚。在这样的背景下，为了推动智能除草管理和可持续农业发展，国内研究人员开展了一项极具意义的研究。他们提出了 DLV3-CRSNet 模型，相关研究成果发表在《Crop Protection》上，为农业领域带来了新的曙光。

研究人员为开展此项研究，主要运用了以下关键技术方法：首先是数据收集与标注，他们于 2023 年 9 月 5 日 - 9 月 10 日，在吉林省长春市的湛林绿色农业采摘园收集数据集，选取处于 4 - 6 叶生长期且移植 7 - 10 天的大白菜幼苗进行图像采集；其次是构建 DLV3-CRSNet 模型，基于 DeepLabv3 + 模型，用 ConvNeXt 替换其 Xception 结构，融入 RepVgg 结构，并应用 Sigmoid Linear Unit（SiLU）激活函数；最后通过消融实验，定量评估网络结构替换和激活函数变化对模型的影响。

研究人员选择在吉林省长春市湛林绿色农业采摘园（125°12′9.587″E，43°59′3.602″N）收集数据。在 2023 年 9 月 5 - 10 日期间，采集处于幼苗期（移植后 7 - 10 天）、4 - 6 叶生长期的大白菜图像。种植间距保持在 40 - 45cm，行距为 55 - 60cm。这些数据为后续模型训练提供了基础。

为验证 DLV3-CRSNet 模型的有效性，研究人员开展了消融实验。实验设置如下：用 ConvNeXt 替换网络结构得到 DeepLabv3+C；添加 RepVgg 模块得到 DeepLabv3+R；将激活函数替换为 SiLU 得到 DeepLabv3+S；最终构建完整的 DLV3-CRSNet 模型。通过对比分析，明确各部分结构和函数对模型性能的贡献。

实验结果令人惊喜，DLV3-CRSNet 模型在多个关键指标上表现优异。与 DeepLabv3 + 相比，平均交并比（Mean Intersection over Union，MIoU）提高了 23%，平均像素准确率（Mean Pixel Accuracy，MPA）提高了 21%，平均精度（Average Precision，AP）提高了 23%，每秒帧数（Frames per Second，FPS）提高了 15%。同时，每秒浮点运算次数（Floating Point Operations per Second，FLOPS）和推理时间（Inference Time，IT）分别降低了 13% 和 12%。与 Pyramid Scene Parsing Network（PSPNet）、Expectation-Maximization Attention Networks（EMANet）、Fully Convolutional Networks（FCN）、UNet、Efficient Neural Network（ENet）和 Segmentation Network（SegNet）等模型相比，DLV3-CRSNet 模型的 MIoU、MPA、AP 和准确率平均分别提升了 27%、18%、18% 和 3%，并且参数数量减少了 2684 万。田间实验进一步证实，DLV3-CRSNet 模型能够有效区分大白菜（Brassica pekinensis Rupr.）和杂草，识别率分别达到 95.31% 和 93.6%。

DLV3-CRSNet 模型成功解决了传统语义分割模型在农业应用中的诸多难题。通过用 ConvNeXt 替换 DeepLabv3 + 的骨干网络，降低了计算负担，提升了训练效率；融入 RepVgg 结构，简化了模型架构，改善了部署性能；应用 SiLU 激活函数，增强了小目标识别能力。该模型在复杂农业环境下对大白菜和杂草的语义分割性能显著提升，为智能除草管理提供了有力支持，有助于减少农药使用，推动可持续农业发展。这一研究成果为农业领域的智能化升级提供了新的技术方案，在未来农业生产中具有广阔的应用前景，有望成为农业现代化进程中的关键助力。