在北美甜菜主产区，草甘膦抗性杂草的蔓延已成为威胁生产的首要因素。研究表明，若缺乏有效防控，甜菜产量损失最高可达70%，远超玉米和大豆等作物。尤其在地处美国西部大平原的科罗拉多、蒙大拿、内布拉斯加和怀俄明等州，自生玉米、地肤和长芒苋三类杂草分别可造成约50%、75%甚至100%的减产。尽管抗草甘膦甜菜品种的推广显著提升了杂草防控效率，但抗性杂草的进化与扩散迫使农户不得不增加除草剂施用次数。当前管理方案需在生长季进行3-4次药剂喷洒，其中前期土壤处理剂需全田均匀施用以控制萌芽期杂草，而中后期针对逃逸杂草的定向喷洒则亟需精准的物种分布信息。传统人工巡田方式在大规模生产中既费时又费力，而基于无人机或机器人的探测平台因作业速度慢、续航短等限制难以满足生产田常态化监测需求。因此，开发能够持续运行并提供物种级杂草分布图的自动化系统，对于实现甜菜生产的精准管理和减药增效具有重要意义。
本研究通过三阶段技术路线实现田间杂草的持续监测。首先利用自主设计的WeedCAM硬件系统（基于树莓派5集成高清摄像头、GPS定位、LoRa通信与太阳能供电模块）在2024年生长季自动采集5734张4K分辨率田间图像，构建具有长尾分布特性的真实杂草数据集。针对数据不平衡问题，采用重复因子采样与焦点损失函数优化模型训练。在模型选型阶段，系统评估了YOLOX-S/L、Faster R-CNN、Cascade R-CNN、Deformable-DETR和DINO等七类目标检测架构，最终优选兼顾精度与效率的YOLOX-L进行边缘部署。2025年生长季的实地验证中，系统通过中心支轴式喷灌系统搭载的摄像头实现每30分钟一次的动态监测，并将检测结果通过LoRa传输至可视化平台。
模型在LA数据集上表现显著提升
通过对比早期应用数据集和晚期应用数据集的训练结果，发现针对甜菜6-10叶期（即第三、四次除草剂施用窗口）采集的LA数据集能显著提升模型性能。最佳模型DINO-Swin/L在LA数据集上达到76.0%的整体mAP@4K，较EA数据集提升30.5个百分点，其中对地肤、长芒苋和自生玉米的检测mAP分别达到76.4%、77.3%和75.9%。可视化结果证实，LA数据集训练的模型能更准确区分形态相似物种（如长芒苋与藜），并减少早期生长阶段小尺寸杂草造成的误检。
Transformer架构展现小目标检测优势
在4K分辨率图像评估中，基于Transformer的检测器（Deformable-DETR、DINO）相比卷积神经网络（YOLOX、Faster R-CNN）表现出更稳定的尺度适应性。当检测对象从分割图像块转为全尺寸4K图像时，DINO-Swin/L的mAP下降幅度（4.7%）远低于YOLOX-L（6.5%），表明其具有更强的跨尺度特征提取能力。不过由于计算资源限制，实际部署仍选择推理速度更快的YOLOX-L模型。
边缘系统实现可靠田间运行
部署于喷灌系统的WeedCAM在2025年生长季连续运行期间，单次检测周期约8分钟（含唤醒、图像采集、推理与数据传输），日均完成24次监测。在40℃环境温度下设备内部温度达70℃时仍保持稳定，太阳能供电系统保证电池余量始终高于75%。LoRa传输的数据包丢失率约为4.7%，相当于整个生长季缺失76次检测，对整体监测连续性影响可控。
该研究通过创新性地将边缘计算与农业基础设施（喷灌系统）相结合，实现了生产田多物种杂草的常态化监测。所提出的三阶段框架有效解决了真实农业环境中存在的长尾分布、小目标检测与硬件资源限制等核心难题。研究不仅证实了基于Transformer的检测器在复杂田间场景下的优越性，还通过完整的边缘部署验证了系统在实际生产中的可靠性。这项技术为作物生产中的精准杂草管理提供了新的技术范式，其硬件设计与算法优化策略对智慧农业领域的其他感知任务也具有重要参考价值。未来通过引入合成数据生成、主动学习等策略，有望进一步突破标注质量对模型性能的限制，推动农业视觉系统向更高效、更普惠的方向发展。
