《European Journal of Agronomy》：A lightweight deep learning-empowered cam-push rod system for cost-effective intra-row weed management in lettuce
編輯推薦：
本文提出了一種用于萵苣行內雜草管理的創新智能除草系統。該系統通過“算法-硬件協同設計”范式，將高效的輕量級目標檢測模型YOLO-GSBA-Tiny與低成本、數學優化的凸輪-推桿(Cam-push rod)執行機構相結合，有效解決了傳統智能機械除草系統成本高昂的問題。在受控環境試驗中，實現了93.86%的除草率與僅2.08%的作物損傷率，為精準農業提供了一條兼具農藝有效性與經濟可擴展性的可行路徑。
研究亮點
本研究旨在解決精準農業中復雜算法與高昂硬件成本之間的矛盾，并開發一種經濟可行的自主除草方案。為此，提出并構建了一個以“算法-硬件協同設計”原則為核心的智能機器人除草系統。本研究遵循了一個系統的開發過程（具體研究流程可參見圖1）。首先，構建了一個圖像數據集（用于訓練和評估模型）。
消融實驗
本研究對YOLOv8n模型引入了四項關鍵改進：將標準卷積模塊替換為Ghost Conv模塊，將原始的C2f模塊替換為定制設計的C2f-SCAN模塊，在頸部結構中實現BiFPN架構進行優化，并集成了相應的BAM注意力機制。為了驗證這些改進的有效性，在萵苣-雜草數據集上進行了消融研究。基線YOLOv8n模型……
主要發現與貢獻
本研究成功開發并驗證了一種智能雜草去除系統。該系統展示了在精準農業中將高度優化、輕量級的深度學習模型與低成本機械執行器相結合的巨大潛力。本研究的主要貢獻不僅在于開發了一個高精度的目標檢測器，更在于創建了一個完整的、端到端的“算法-機械協同設計”解決方案。
從算法角度看，提出的YOLO-GSBA-Tiny模型通過系統的結構剪枝與注意力機制整合，在保證97.8%的平均精度均值(mAP)的同時，與YOLOv8n相比，參數量和GFLOPs（十億次浮點運算每秒）分別降低了69.0%和55.6%。這解決了輕量級模型在計算速度與小目標或遮擋雜草的精細特征提取之間的平衡難題。
從機械設計角度看，設計的凸輪-推桿執行機構替代了昂貴的伺服驅動機械臂。基于運動學數學模型對凸輪輪廓進行嚴格優化，以生成確定性的側向避讓軌跡。這種“物理編碼”的智能確保了刀具的快速、精確收回軌跡能夠適應萵苣幼苗特有的蓮座狀形態。
最終，該協同設計方案在受控環境試驗中得到驗證，實現了93.86%的除草率和2.08%的作物損傷率。這表明，將高效的AI算法賦能于經過數學優化的簡單機械系統，為精準雜草管理提供了一條在農學上合理、在經濟上可擴展的路徑。
結論
本研究提出并成功驗證了一種基于深度學習的智能除草系統，其核心是為萵苣種植量身定制的新型凸輪驅動機械機構。在算法層面，通過集成GhostConv、定制C2f-SCAN模塊、BiFPN架構和BAM注意力機制對YOLOv8n模型進行了增強。隨后，利用LAMP算法進行剪枝，從而構建了輕量且高效的YOLO-GSBA-Tiny檢測器。
