胡 炼，刘海龙，何 杰，陈高隆，王志敏，王晨阳

(1 南方农业机械与装备关键技术教育部重点实验室, 广东 广州 510642；

2 广东省农业人工智能重点实验室/华南农业大学 工程学院, 广东 广州 510642)

在农业生产活动中，杂草问题不可避免，直接或间接地影响着农业生产[1]。我国有田园杂草1 430种(变种)，分布广、发生量大。每年由于杂草危害造成作物产量损失约10%，粮食减产达6 000万t，经济损失达2 200亿元。由此可见，解决杂草问题刻不容缓。随着我国农业技术的发展和对国外除草技术的引进、改良，新的除草方法陆续出现，主要包括化学除草和非化学除草2大类[2]。目前以化学除草为主，然而弊端已逐渐显现：其一，农田长期过量使用除草剂造成土壤农药残留和积累；
其二，过度使用化学除草剂造成了全球环境污染[3]，进而危害人体、动物健康；
其三，加快了有抗性杂草的群落更替，杂草抗药性增强。化学除草方法难以满足我国现代农业生产的需求，不利于我国农业可持续发展[4]。为避免化学除草剂带来的危害，非化学除草方法中的机械除草得到研究和应用推广[5]。

近年来，人工智能、智能感知、机器人技术不断融入农业生产，智能除草机器人应运而生，推动着机械除草技术(主要涉及智能感知、作物与杂草识别、运动平台以及除草装置控制等技术[6])向自动化、智能化方向转型升级。智能除草机器人能够有效地减少劳动成本，提高生产效率，减少环境污染[7-9]。随着智慧农业发展，无人农场开始建设实践，农业机器人将会是无人农场必不可少的智能装备。本文从智能感知技术、除草机器人平台和机械除草装置3个方面介绍了智能除草机器人关键技术的研究现状，并对智能除草机器人的未来发展趋势进行了展望，以期为智能除草机器人的研究提供借鉴。

基于多源信息融合的智能感知是机器人支撑技术之一，可综合分析环境和作业对象的类别与属性，达到智能感知的目的。机械除草的作业要求是在不损伤作物的同时去除杂草，因此，智能感知技术主要通过作物行识别技术和杂草识别技术区分作物和杂草。

1.1 作物行识别技术

精准农业的除草、施肥、施药作业离不开作物行准确识别定位技术。图像处理技术具有识别准确性高、成本较低、处理速度快、鲁棒性较强等优点，已逐渐成为精准农业中作物行提取的重要技术[10]。根据农田环境特征，作物行识别主要可分为旱地作物行识别和水田作物行识别。

1.1.1 旱地作物行识别20世纪后期，国外已提出一整套视觉计算的理论[11-12]。随后，Reid等[13]使用阈值分割和贝叶斯分类器成功实现棉花与土壤的图像分割。Fontaine等[14]采用 Hough 变换算法成功提取农田图像里的直线信息。Gée等[15]将图像利用双 Hough 变换算法提取作物行的消失点，并以消失点在Hough 空间中的表示来标识各作物行对应的直线。李茗萱等[16]提出了一种 SF 算法，用 2G-R-B算法分割原始小麦图片的目标，用最大类间方差法提取目标，经过膨胀、腐蚀、滤波，提取作物行信息。翟志强等[17]采用基于Census 变换算法检测双目视觉图像中棉苗行特征角点，提取绿色棉苗行特征，拟合作物行中心线，结果表明，在非地头区域，棉苗行中心线的正确识别率大于 92%。陈子文等[18]针对生菜和绿甘菜提出利用自动 Hough 变换累加阈值的方法提取蔬菜作物行中心线，结果表明，在田间和温室中作物行的识别准确率分别为86.7%和93.3%。孟笑天[10]通过改变RGB 结构模型中绿色分量的比重，提出了改进的超绿法灰度化图像处理算法，改进K均值聚类算法与最小二乘法，使拟合苗期玉米苗带的识别精度达93%。罗晨晖[19]改进了双信息融合的植株作物行识别方法，利用Kinect 获取目标植株信息，转换为 HSI 颜色模型，利用采样一致性配准 (Sample consensus initial alignment，SAC-IA)方法找到变换关系进行粗配准，再使用迭代就近点 (Iterative closest point，ICP)算法与 S 分量图精确配准，通过粒子群优化(Particle swarm optimization，PSO)算法循环优化得到聚类中心，最后使用最小二乘法拟合路径，实现作物行识别。

1.1.2 水田作物行识别水田主要种植水稻及其他水生作物，水田农作物尤以水稻为主，展开的相关研究多围绕于水稻。Choi等[20]通过 K-means 聚类分析算法、线性回归的方法识别出作物行，结果表明机器人可跟随水稻识别导线行进，角度偏差小于1°。曾勇等[21]提出一种结合傅里叶变换进行膨胀和腐蚀的方法，提取秧苗列轮廓，改良逆投影变换，得到实际田间水稻苗列位置，对苗列中心线识别与提取导航基准线的准确率为 95.2%。王姗姗等[22]提出一种基于特征点邻域 Hough 变换的水稻秧苗行检测方法，结果表明，测试集秧苗行平均识别准确率达到92%。黄小刚[23]提出一种水田除草机器人秧苗识别算法，根据秧苗的 S分量较背景明显的特性，在 HSI 颜色空间中分离出目标区域。采用 K-means 算法、聚类分析和 Hough 变换法拟合水稻秧苗特征点，得到导航中心线。贺静等[24-25]提出了一种基于贝叶斯决策理论和鲁棒回归最小二乘法的水稻行视觉检测方法，基于多传感器融合准确识别出水稻行，实现农机跟踪水稻行导航，减少了田间管理机械对水稻的碾压。

可见，旱地和水田作物行识别算法相似，但水田环境更加复杂。一是水田中倒像和镜像效应严重，稻草、浮萍、蓝藻等的颜色特征难以分辨，而自然风又导致相邻稻行重叠，水稻行信息不明显[25]；
二是水田硬底层不平，水田作业机具位姿变化频繁，导致水稻行信息易断行、倾斜和重叠[26-27]。因此，水田作物行识别算法应具有更强的适应性和鲁棒性，甚至需要采用多传感器融合方法以提高识别精度。

1.2 杂草识别技术

1.2.1 传统图像处理技术快速准确识别出不同种类杂草和农作物是实现自动化精准除草作业的必要条件，是解决杂草防治问题的关键[28-29]。随着计算机技术、网络技术以及视觉技术的发展，快速精准的机器视觉技术在杂草识别上的应用越来越广泛，显著提高了除草机械的作业能力，为精准除草方式的自动化、智能化发展提供了技术保证[30]。

传统图像处理技术对杂草检测时，通过提取图像颜色、形状、纹理等特征进行杂草识别[31]，需要手动设计特征，且高度依赖图像采集方法、预处理方法和特征提取的质量[32]。Arroyo等[33]用实时学习的方法对苗、草图像进行特征提取，将直方图数据作为 K-邻近（K-Nearest neighbor，K-NN）算法的输入，从而达到对图像分割时阈值的自适应性。王佳玉等[34]通过MATLAB的图像处理技术分割判定杂草，无人机田间杂草取样，利用绿色植物与周边环境的不同分离植物与环境，通过分割与降噪得到只剩杂草的图像，为除草机器智能化奠定基础。吴兰兰等[35]提出了基于视觉注意模型的苗期油菜杂草图像检测方法，在不同检测背景下提高了杂草识别的准确率，处理结果如图1所示。苗中华等[36]基于图像处理多算法融合的田间杂草检测方法，通过设置颜色空间阈值分割土壤背景，采用面积阈值、模板匹配和饱和度阈值3种方法对作物和杂草进行分类，大豆田间试验结果(图2)表明，杂草识别精度达98.21%。王璨等[37]以2～5叶苗期玉米及杂草为对象，建立融合高度特征与单目图像特征的支持向量机 (Support vector machine，SVM)识别模型，测试结果表明，杂草识别准确率为98.33%。

图1 油菜地的杂草图像检测Fig. 1 Image detection of weeds in rape field

图2 大豆田杂草定位图Fig. 2 Location map of weeds in soybean field

1.2.2 深度学习随着计算机硬件成本降低以及CPU计算能力提高，需要大量数据运算的深度学习逐渐拓展到农业领域，深度学习方法提取的杂草特征比手动提取特征更有效。Tiwari等[38]基于深度学习的方法在杂草识别与分类方面获得了良好的效果。彭明霞等[39]融合特征金字塔网络(Feature pyramid networks，FPN)的快速的基于区域的卷积神经网络 (Faster reigion-based convolutional neural networks，Faster R-CNN)，提出在复杂背景下高效识别棉田杂草方法，检测效果较好。Dos Santos Ferreira等[40]采用 Caffe Net 架构训练神经网络，在杂草检测方面的准确率达到了97%。乔永亮等[41]提出了一种基于多光谱图像和SVM 的杂草识别新方法，通过多光谱成像仪获得玉米与杂草图像，采用红外辐射-红色 (Infrared radiation-red，IR-R)的多光谱融合技术、形态学处理以及主成分分析，建立模型识别杂草，杂草识别率达到 85%。尚建伟等[42]针对复杂背景下甜菜田杂草检测，改进Unet 网络技术，设计图像分割网络Res-Unet，采用Resnet50网络代替Unet 主干网络，解决复杂背景下农作物与杂草区域提取困难、小植株检测效果差、分割边缘震荡和变形等问题，结果表明使用 Res-Unet 模型的平均交并比为 82.25%，平均像素准确率为 98.67%。

在深度学习算法中，通过卷积神经网络(Convolutional neural network，CNN)可提取杂草的多尺度和多维空间语义特征信息，提高杂草识别准确率[43]。孙俊等[44]针对作物与杂草的识别，提出了空洞卷积结合全局池化的优化方法，优化后的 Alex Net 模型，克服了模型参数大、特征尺度单一的问题，获得了较好的识别效果。徐艳蕾等[45]改进Xception模型，采用指数线性单位(Exponential linear unit，ELU)作为模型的激活函数，通过训练得到最佳的、基于轻量卷积网络的杂草识别模型，以8类杂草及苗期玉米为研究对象，平均测试识别准确率达 98.63%。朱熠[46]以玉米苗期为试验对象，基于深度学习方法，对Faster R-CNN模型中的网络候选框 (Region proposal network，RPN)结构进行调整，得到最优检测模型，从而区分玉米幼苗与杂草，用于株间除草作业，为机械除草装置的精准控制提供了准确目标定位。

机器学习算法对不同类型的作物与杂草进行高精度分类存在一定困难，而采用CNN能有效避免传统机器视觉方法中特征提取过程带来的主观性，提高杂草识别精度，且深度学习能够自动提取图像的深层特征，具有更强的表征能力和独特的网络特征结构，因此深度学习在杂草识别领域成为新的研究热点[47-50]。

不同的作物和作业环境均会影响除草机器人在田间的除草效率。普适性的除草机器人应具有良好的行走通过性能[51-52]，除草机器人平台多种多样，常见的机器人平台包括轮式、履带式、足式和复合式。

2.1 轮式除草机器人平台

轮式农业机器人结构简单、易控制、行走灵活，受到国内外研究者青睐，也是目前研究最多的农业机器人，其优点主要包括成本低、负载能力大、驱动和控制方式简单、行进速度快以及平稳性较好等[53]。罗锡文等[54]研发了多功能机器人移动平台，张春龙等[55]研发了高地隙锄草机器人平台，樊正强[56]搭建了农业机器人移动平台Agri Rover01，并提出了扩展阿克曼转向策略的移动平台协调运动控制。Bakker等[57]设计了一款除草机器人，该平台结构为四轮转向和驱动，利用全球导航定位系统来确定移动平台的路径位置(图3)。于鑫等[58]设计了一种可以适应非结构化地形的主动万向轮式农用全方位移动平台，并通过运动仿真验证了其可行性。王瑞丰[59]构建了水稻田大跨度埂上行走装置，试验样机(图4)无需进入水田，可在田埂上实现直线行走作业。

图3 瓦赫宁根大学的除草机器人Fig. 3 Weeding robot from Wageningen University

图4 水稻田大跨度行走装置Fig. 4 Long-span walking device in paddy field

2.2 履带式除草机器人平台

履带式农业机器人与地面接触面积大，下陷深度低，平稳性能较高，适宜在松软、泥泞的田间作业，但存在转向不灵活、运动过程易受空间限制的问题。顾宝兴等[60]研制了一种农用履带式智能移动平台，能够实现田间自主导航，且具有一定的开放性，可满足农田多种智能化作业的要求。王子健等[61]设计的除草机采用履带式行走机构和新型双轴式除草作业头机构，通过变速箱可以根据田间实际情况调节整机移动速度，底盘行走最优速度为0.5 m/s。日本发明了一种小型水田机器人，质量仅3.8 kg，可以使用小型蓄电池供电。英国Ibex Automation公司为农民开发了履带式自主农业机器人系统(图5)，可用于草原的自主精确杂草检测和水肥喷洒。

图5 Ibex Automation履带机器人Fig. 5 Ibex Automation crawler robot

2.3 足式除草机器人平台

足式农业机器人落脚点离散，对复杂农田环境的适应能力和避障的能力很强，跨沟壑、过田埂作业是其强项[62]；
但足式机器人行进速度慢、负载能力弱、平稳性差，行走过程保持重心平衡难度相当大。昆明理工大学的卢衷正等[63-64]研究了一种四足除草机器人，四足行走结构的每条腿拥有3个旋转自由度，分别位于侧摆、髋关节和膝关节，为四足除草机器人物理样机的研制提供参考。张良安等[65]设计的电驱四足激光除草机器人采用一种动力学尺度综合方法，在给定的目标轨迹上，针对腿部关节驱动力矩进行优化，最终得到1组最优腿部杆长，使其完成目标轨迹的驱动力矩和功耗最小，提高了续航能力，如图6所示。国内赛为智能研发生产的SIWILL四足激光除草机器人，采用电机驱动，其腿部采用外肘内膝对称式布局，环境适应力强，可灵活适应平地、斜坡、草地等各种地形。Amer等[66]研制了一款名为Agri Bot 的多功能除草机器人 (图 7)，6条机械腿由伺服器控制，具有稳定性好、地形适应性强等优势。

图6 四足机器人Fig. 6 Quadruped robot

图7 Agri Bot 多功能除草机器人Fig. 7 Agri Bot multifunctional weeding robot

2.4 复合式除草机器人平台

复合式机器人包括轮履复合式、轮足复合式、履足复合式等。复合机器人移动能力和承载能力都较强，并且对复杂地形具有较好的适应性，可满足较大难度的作业需求。李峙峰[67]设计了一种新型的轮履式复合底盘，可以在轮胎与履带2种方式之间切换，集履带式底盘高通过性与轮式底盘高机动性于一体，使其在复杂环境中的工作更加快捷方便，弥补了传统底盘的缺陷，解决了目前履带式工程机械转场效率低的问题。陶春鸣[68]将轮式车辆的转向机构与履带式车辆的行走装置相结合，设计了一种水田履带轮式施药机(图8)，使其既具有较小的转向半径，又具有较低的接地比压。苏磊等[69]设计了一种轮足式越障机器人(图9)，采用头部连杆机构辅助越障， Adams越障运动仿真结果表明，轮足式复合结构移动机器人越障能力好，综合性能高。法国第六大学研制了轮足混合式移动机器人，足部末端安装有驱动轮，可以在不平坦的路面行走和越障[70]。

图8 水田轮履式机具Fig. 8 Wheel crawler in paddy field

图9 Hylos 轮腿复合式移动机器人Fig. 9 Hylos wheel-leg compound mobile robot

目前田间作业机器人多以轮式为主，轮式机器人也是最早投入生产的。除草机器人平台行走于复杂环境的农田，需要考虑过田埂、作物行间行走、转向以及在松软泥泞的田间行进等问题[71]。大型机械会压实田间土壤，造成土壤板结；
复合型机器人平台拥有轮式平台的速度与平稳、足式的灵活以及履带的越野能力。因此，机器人平台主要趋于复合型与轻量化方向发展。

除草机的末端执行机构是除草机械的重要组成部分，直接关系到除草效果的好坏，因此末端执行机构的研究对除草机械的发展具有重要意义。目前，智能除草机具主要分2种：一种是由大型拖拉机牵引的智能除草机具；
另一种是新兴的智能除草机器人。

3.1 牵引式除草装置

随着计算机技术与人工智能技术的发展，人工智能与现代农业装备实现了技术上的融合，利用传统农业装备拖拉机作为牵引平台，搭配智能除草机具，将传统农机进行改造升级，大大提高了除草效率，国内外相继开发了可避苗的智能除草部件。但是大型机具过于笨重，容易对农田造成土壤板结等问题，且机具成本较高，能耗较大。

胡炼等[72-76]利用除草爪齿余摆运动原理设计了一种株间机械除草装置，基于余摆运动设计了株间机械除草爪齿避苗控制算法，采用机器视觉识别作物和作物行，使除草爪齿避让作物植株并去除株间区域杂草，同时通过作物行跟踪机构控制株间机械除草和跟随作物行，实现了智能株间除草的目标。王刚等[77]设计了可定位和躲避玉米秧苗的行间梳齿式除草部件，伺服电机反馈除草部件的旋转速率，超声波速度传感器实时监测除草机前进速度，除草部件转速与除草机的前进速率相配合，平均除草率为 95.1%，伤苗率仅为 1%。权龙哲等[78]设计了一种基于立式旋转机构的智能株间机械除草装置，平均除草率为 89.57%，伤苗率为 4.54%。Midtiby 等[79]设计了一款名为 Robovator 的除草机(图10)，其末端执行装置为弹齿，采用红外和近红外光检测苗株茎秆位置，通过控制除草执行器弹齿的运动轨迹完成除草和避开苗株的动作。Pérez-Ruíz等[80-81]设计了一种末端锄刀的除草部件，分布于植物两侧，利用机器视觉技术检测苗株位置信息，进而控制锄刀的运动轨迹，达到除草的目的。Tillett 等[82]和Dedousis[83]设计了一种缺口圆盘刀式末端执行装置的苗间除草机(图11)，采用机器视觉系统采集农作物和苗株信息，控制横移机构进行对刀，通过旋转刀盘进行除草作业。

图10 Robovator 除草机Fig. 10 Robovator weeder

图11 Garford 苗间除草机Fig. 11 Garford weeder between seedlings

3.2 智能除草装置

随着机器人技术的发展，机械臂系统逐渐在农业领域广泛应用。机械臂具有低功耗、高精度、高灵活性、高速度以及通用性强等特点。美国伊利诺伊大学Jeon等[84]开发了一款采用五自由度串联机械臂设计的精确除草机器人，通过控制机械臂运动实现杂草精确清除，除草率达91%。南京林业大学郭伟斌等[85]设计了由本体、多关节串联机械臂、末端执行器及摄像头等组成的除草机器人，通过视觉导航沿作物行自主行走，识别出杂草后由多关节串联机械臂将高速旋转除草刀盘移动到目标杂草上切割杂草。瑞士的EcoRobotix机器人(图12)搭载太阳能板，可自动工作，机器人前端摄像头识别杂草后，通过Delta机械手迅速、准确地对杂草定位并清除杂草。西班牙农业研究所开发的一款由Delta机械臂、视觉处理系统和高电压系统组成的应用于生菜地的智能除草机器人，通过视觉装置识别杂草，控制机械臂移动至杂草位置并释放高电压将杂草杀死，杂草识别率为88%。

图12 瑞士EcoRobotix机器人Fig. 12 Swiss EcoRobotix robot

智能除草机器人是智能农机装备的重要组成部分，其研发与应用是大田农业生产管理环节的需要。智能除草机器人可以有效减少化学除草剂带来的污染，提高农作物产量和品质。随着信息、机器人和人工智能等技术的发展，智能除草机器人将是智慧农业的重要智能装备，是支撑实现无人农场必不可少的农业机器人。为加快智能除草机器人的研发与应用，建议今后可以从以下几方面开展深入研究：

1)智能化感知。为实时、全面地了解农田环境，多传感器信息融合技术为除草机器人在各种复杂的农田环境中作业提供支撑。机器视觉、全球导航卫星系统 (Global navigation satellite system，GNSS)、雷达等多种传感技术融合算法以及多学科交叉融合技术为除草机器人提供丰富的感知信息，在识别作物行和杂草的同时定位作物植株，以及感知作物生长长势、病虫害和成熟度等信息，为除草、施肥和喷药管理作业提供准确的信息。

2)精准化除草。机械除草装置是智能除草机器人的重要组成部分，直接影响除草效果，除草装置将更多结合机器人技术、自动控制技术，形成高精度除草作业，株间和近株间区域的精准除草装置将是未来农田除草技术突破的重要方向。

3)高效化作业。人工智能等技术的应用将提高除草作业质量与效率，使其向宽幅作业、群体智能作业和多功能作业发展。由智能拖拉机牵引的宽幅除草机逐步得到推广应用，如：基于视觉和GNSS等定位的行间和株间除草机；
中小型除草机器人在交互操作性、自主性和人机协同方面的不断提升，多机器人协同作业在资源分配调度优化方面提高作业效率；
同时，基于机器人平台，除草、播种、施肥和喷药等功能可通过快速更换作业机具来实现，开放式结构和兼容性控制可以提高工作效率，降低生产成本。

4)智慧化决策。随着物联网、大数据和云计算等技术的融合应用，机器人除草作业将由云平台进行远程管控，不仅可以实现机器人作业远程监测和作业任务调度等功能，还可进行智慧化决策，如结合气候、降雨以及杂草生长特点，与农艺相结合，智能判断最优除草时间。

猜你喜欢 除草机除草杂草 玉米除草、追肥 记住这些“黄金时段”今日农业(2022年15期)2022-09-20拔杂草科教新报(2022年22期)2022-07-02除草记趣味(作文与阅读)(2022年3期)2022-06-10小麦播种后 除草最佳时间别错过今日农业(2021年21期)2021-11-26北斗定位水稻机械智能除草机来啦军事文摘(2020年22期)2021-01-04机过草无 秧苗无损 北斗定位水稻机械智能除草机显身手今日农业(2020年16期)2020-12-14拔掉心中的杂草高中生学习·阅读与写作(2019年2期)2019-09-10大自然的除草机——金龟子故事作文·低年级(2018年7期)2018-07-19除草机的设计与有限元分析装备制造技术(2017年3期)2017-05-12除草新招环球时报(2014-01-08)2014-01-08