权龙哲，吴 冰，毛首人

（东北农业大学工程学院，哈尔滨 150030）

杂草与作物竞争空间、水、养分等资源，作物产量降低，作物生长初期影响更严重[1-2]。目前，化学除草因其高效性而成为国内外主要除草方式[3]。但化学除草大面积喷洒除草剂，造成环境污染。精准对靶施药可提高除草剂利用率，但确定田间杂草尺寸、形状和生长阶段是实施难点[4]。不同叶龄杂草所需除草剂剂量不同[5-6]。因此，根据田间杂草分布和叶龄指导除草剂使用，是有效除草、保护生态重要手段。

减少除草剂使用前提是精准识别杂草[7]。机器视觉在农业领域应用广泛[8]。相关研究采用小波变换[9]、阈值分割[10]等方法区分农作物和杂草，但普通分类无法获得杂草种类和位置信息，在田间杂草与作物分布密集、光照不确定以及阴影等因素影响下作业效果不佳。近年，深度学习技术成为新兴机器学习领域，其中深度卷积神经网络（Deep convolutional neural network，DCNN）是一类深度学习方法，适合解决计算机视觉问题，已应用于农业领域[11-12]。Ma 等提出SegNet 方法实现较高分类精度，可有效对图像中水稻、杂草和背景作像素分类，并获取位置[13]。Abdalla 等采用卷积神经网络用于油菜田中杂草分割，获得96%准确率[14]。上述研究仅获得杂草位置和种类信息，忽略叶龄，无法确定除草剂剂量。田间复杂环境下，植株之间重叠、光照不确定、土壤背景复杂多变[15]，杂草位置和叶龄信息获取存在难度。

DCNN模型虽能克服农田复杂多变环境，但需大量数据集训练深度学习模型，提高模型精度[16]。……