基于AI的机器人系统：实时杂草检测、冠层感知喷洒与雾滴模式评估
计算机视觉与模式识别
2025-07-09 v1 人工智能
摘要
现代农业中均匀且过量的除草剂施用导致投入成本增加、环境污染以及抗除草剂杂草的出现。为应对这些挑战，我们开发了一种视觉引导、AI驱动的变量喷洒系统，能够实时检测杂草存在、估算冠层大小并动态调整喷嘴激活。该系统集成了轻量级YOLO11n和YOLO11n-seg深度学习模型，部署在NVIDIA Jetson Orin Nano上进行板载推理，并使用基于Arduino Uno的继电器接口，根据冠层分割结果控制电磁阀驱动喷嘴。室内试验使用了15盆不同冠层大小的盆栽朱槿(Hibiscus rosa sinensis)来模拟一系列杂草斑块场景。YOLO11n模型实现了0.98的平均精度均值(mAP@50)，精度为0.99，召回率接近1.0。YOLO11n-seg分割模型的mAP@50为0.48，精度为0.55，召回率为0.52。系统性能通过水敏纸进行了验证，结果显示在存在冠层的区域平均喷雾覆盖率为24.22%。平均喷雾覆盖率从小冠层的16.22%上升至中冠层和大冠层的21.46%和21.65%，这一上升趋势证明了系统根据冠层大小实时调整喷雾量的能力。这些结果凸显了将实时深度学习与低成本嵌入式硬件相结合用于选择性除草剂施用的潜力。未来工作将侧重于扩展检测能力，以涵盖南达科他州的三种常见杂草物种：水麻(Amaranthus tuberculatus)、地肤(Bassia scoparia)和狗尾草(Setaria spp.)，随后在大豆和玉米生产系统中进行室内和田间试验的进一步验证。
引用
@article{arxiv.2507.05432,
title = {Robotic System with AI for Real Time Weed Detection, Canopy Aware Spraying, and Droplet Pattern Evaluation},
author = {Inayat Rasool and Pappu Kumar Yadav and Amee Parmar and Hasan Mirzakhaninafchi and Rikesh Budhathoki and Zain Ul Abideen Usmani and Supriya Paudel and Ivan Perez Olivera and Eric Jone},
journal= {arXiv preprint arXiv:2507.05432},
year = {2025}
}
备注
11 pages