作物残茬管理是可持续农业的重要环节，直接影响土壤健康、养分循环与环境质量。准确测定耕作前后田间作物残茬覆盖度(CRC)有助于农户科学规划农事活动。现有测量方法包括传统线样法、摄影法、阈值分割机器学习模型及先进深度学习技术，但在精度、效率及资源需求方面均存在局限。本研究提出一种创新的数据采集方法，利用机载单目相机获取不同残茬水平的RGB影像，构建了包含25,000余幅影像的多季节、多年份数据集，并采用预训练ResNet18模型进行监督机器学习。以田间线样法和摄影法作为地面真值，模型将CRC划分为五个区间：0-20%、21-35%、36-55%、56-75%和76-100%。在同田测试集上，Top-1准确率达85.8%；在新田测试集上为61.8%。为评估预测接近真实值的情形，研究人员引入“Delta±1准确率”标准，允许预测值与真实值相差一个类别，同田与新田准确率分别提升至99.1%和93.5%。该研究为基于机载传感器的实时残茬监测提供了可行方案。
研究背景与意义
作物残茬管理是可持续农业生产体系的重要组成部分，其有效管理能够改善土壤结构、促进养分循环、减少温室气体排放并防止水土流失。然而，准确量化田间作物残茬覆盖度(CRC)一直是农业监测中的难点。传统方法如线样法虽然被美国农业部作为标准，但劳动强度大、耗时长且易受人为误差影响；摄影法和卫星遥感虽提高了空间覆盖范围，但影像解析度有限，且在耕作时间差异较大时难以获得一致结果。无人机平台结合机器学习的方法在近期研究中取得了一定进展，但数据集规模不足且缺乏跨季节代表性，限制了模型的泛化能力。已有综述指出，目前尚缺少可直接部署于农机的机载残茬传感方案，因此本研究旨在填补这一空白，实现在真实作业条件下的实时残茬覆盖度估算。该研究成果发表于《Journal of Agriculture and Agriculture and Food Research》，为精准农业和智能农机提供了重要的技术支撑。
关键技术方法
研究人员在2022年春至2024年春期间，于伊利诺伊大学香槟分校试验田、艾奥瓦州农场及伊利诺伊州埃芬汉姆合作农场开展数据采集。机载立体相机安装于拖拉机前部及机具后部，同时辅以全地形车(UTV)搭载的立体相机获取RGB影像。为避免扬尘干扰，数据主要在耕作后空闲通行(idle pass)过程中采集，确保残茬分布与真实作业一致。影像经过去模糊筛选、裁剪至1200×400像素，并进行亮度归一化处理。地面真值由线样法测得，并结合虚拟散点法(virtual scatter method)对单幅影像进行精确标注，以减少测量不确定性。模型采用预训练的ResNet18架构，替换全连接层以适应五分类任务，并在伊利诺伊大学香槟分校的硬件加速学习(HAL)集群上进行微调训练。实验设计包括同田随机划分训练/验证/测试集，以及完全独立的异田测试，以评估模型在不同场景下的泛化性能。
研究结果
3.1 同田影像模型表现
在同田划分数据集条件下，训练集含15,463幅影像，验证集和测试集各5,154幅。经100轮训练，模型在验证集上的准确率为85.9%，测试集Top-1准确率达85.8%（95%置信区间：84.8–86.7%），其中0-20% CRC类准确率最高（98.0%），56-75% CRC类最低（75.3%）。采用Delta±1标准后，总体准确率升至99.1%，表明大多数误分类发生在相邻残茬覆盖区间。
3.2 新田影像模型表现
在异田测试场景下，训练集含12,419幅影像，验证集5,729幅，测试集7,623幅。Top-1准确率为61.8%（95% CI：60.7–62.9%），其中76-100% CRC类的准确率显著下降至11.2%，混淆矩阵显示该类有近39%的样本被误判为56-75% CRC类。这反映出高残茬区间的纹理与反射特征区分度较低，且与土壤背景变化高度敏感。Delta±1标准下，新田总体准确率为93.5%，但高残茬区间仍仅为50.7%。研究人员指出，这种下降与训练样本中高残茬影像不足及跨田特征差异有关。
讨论与结论
本研究证明机载RGB影像结合深度学习方法可实现较高精度的残茬覆盖度估算，尤其在同田场景中Delta±1准确率超过99%，具备实际应用的潜力。异田测试中准确率下降反映了田间环境与作物残茬状态的多样性对模型泛化的挑战，尤其是高残茬区间。未来的改进方向包括扩大跨田样本规模、细化残茬分类区间（如5%或10%间隔）、在活跃耕作(active pass)条件下采集含扬尘和动态模糊的训练数据，并优化边缘计算设备上的推理效率。总体而言，本研究为实时、集成的田间残茬监测提供了可行的技术方案，可支持精准农业管理与可持续耕作决策。
打赏
