基于激光的机器人系统在有机农业中用于自主除草的现场验证 Vitali Czymmek, Jost V?lckner, Felix Zilske, Stephan Hussmann

《AgriEngineering》：Field Validation of a Laser-Based Robotic System for Autonomous Weed Control in Organic Farming Vitali Czymmek, Jost V?lckner, Felix Zilske and Stephan Hussmann

　　摘要
杂草管理，尤其是在有机农业中，由于高昂的人工成本和作物较低的竞争力，面临着重大挑战。精密激光技术提供了一种有前景的非化学替代方案。本研究评估了一种基于铥光纤激光的新型机器人系统的田间表现。验证工作在德国Friedrichsgabekoog的Westhof Bio GmbH的商业田地进行。激光除草机器人在一个除草周期内的胡萝卜除草成功率为95%，检测率为85%；对于甜菜根，这两个数值在两个除草周期后分别为98%和88%。田间试验验证了铥光纤激光系统作为可持续杂草管理的农艺有效且经济可行的替代方案。该技术显示出显著减少人工劳动和对除草剂依赖的潜力。

1. 引言
1.1 现代农业中可持续杂草管理的挑战
现代农业面临着在增加全球粮食产量的同时最小化生态影响的双重挑战。杂草是对产量安全的最大威胁之一，因为它们与作物竞争水、养分和光照等关键资源。传统的杂草控制方法，如化学施用、机械耕作、塑料或干草覆盖以及人工劳动[1]，正逐渐达到其极限。虽然有效的和经济可行的杂草控制至关重要，但传统方法往往对环境有害，因为它们会污染环境、杀死健康植物、伤害有益生物并损害土壤健康。特别是除草剂的使用可能导致环境污染，因为杂草通常只覆盖处理区域的一小部分，这可能导致除草剂漂移或对非目标生物产生影响[2]。此外，长期使用除草剂导致了大量抗性杂草种群的出现，并引发了人们对土壤、水和食物污染的担忧。此外，欧盟的“绿色协议”等监管框架正在加强对化学植物保护产品使用的限制[3,4]。
同时，诸如锄地或耙地等机械方法也有缺点[5]。它们会破坏土壤结构，增加侵蚀风险，释放宝贵的土壤水分，并伤害有益的土壤生物。一个关键问题是，土壤移动会将新的杂草种子带到表面并刺激其发芽，从而引发后续的杂草爆发。这些累积的缺点凸显了迫切需要创新、精确且可持续的替代方案，这些方案应具有高选择性并尽量减少对环境的影响[6]。

1.2 有机农业中的特定农艺背景
例如，胡萝卜（Daucus carota）这种作物特别突显了有机农业中杂草控制的挑战。由于其发芽缓慢和幼苗生长迟缓，它对大多数杂草种类的竞争力极低。其脆弱的叶结构几乎不会遮挡土壤，为杂草提供了长时间的理想生长条件。这种生物学上的脆弱性要求进行密集的杂草管理以确保经济产量。在有机农业中，胡萝卜的杂草控制极其耗费人力和成本。例如，我们的合作伙伴Westhof Bio GmbH每年在大约140公顷的生产面积上（Westhof Bio GmbH，个人交流，2025年）花费超过25万欧元进行人工行内除草。这一数字仅指人工除草劳动，不包括机械行间耕作、收获或物流。这说明了开发自动化解决方案的巨大经济压力。

1.3 基于激光的除草：一种精确的技术
为应对前几章提到的挑战，基于激光的除草[7]提供了一种精确的、无化学物质的杂草控制方法，其中聚焦的激光束会破坏杂草的细胞结构，有效杀死杂草而不影响土壤或邻近植物。早期研究表明，使用CO2激光进行杂草控制具有潜力[8,9]，在受控条件下实现了显著的杂草死亡率[10]。后续研究探索了使用不同二极管激光来优化各种作物环境中激光除草系统的有效性[11,12]。在[13]中，使用四种不同的激光系统研究了不同激光波长的效果：气体激光（CO2，10,600 nm，qcw—准连续波）、光纤激光（Tm，1908 nm，qcw）、二极管激光（InGaAs，940 nm，cw—连续波）和频率加倍模式的固态激光（Nd:YAG，532 nm，脉冲）。激光波长强烈影响了热耦合和最小致死剂量。最近使用50 W掺铥光纤激光进行的剂量-反应研究表明，大多数双子叶杂草在子叶阶段可以通过低于12.7 J mm?2的能量剂量得到控制[14]。即使效率相对较低，CO2激光系统的能量需求仍然最低。总之，与燃烧方法相比，激光控制杂草所需的能量大约只有燃烧方法的20%，假设作物行间的杂草密度为每平方米50株，且每公顷需要50公斤丙烷气体。有效的杂草控制可以在杂草长到两叶阶段之前实现。

激光技术的选择对于效果和实用性至关重要。当前的技术包括多种方法：
- **CO2激光**：如Carbon Robotics公司的系统使用CO2激光（波长10.6 μm），提供高功率用于热破坏[15]。然而，它们的关键弱点是对表面湿度的极端敏感性，这会阻挡激光束，从而显著限制了操作窗口。
- **蓝色二极管激光**：如WeedBot[16]或YOLOX[17]的系统依赖于蓝色激光（波长约450 nm），具有出色的耐湿性和高能量效率。然而，其作用机制针对植物的叶绿素，而叶绿素的浓度可能会有所不同，可能影响效果。
- **光纤激光**：本研究中评估的系统使用波长约为2 μm（1940 nm）的铥光纤激光[18]。这种波长解决了一个关键的操作权衡问题。与CO2激光类似，它也针对植物中的水分——这是一个通用且稳健的目标结构——但对表面湿度的耐受性显著更高。这使该技术处于一个“技术最佳点”，结合了强大的杀灭机制和宽操作窗口，相对于现有商业系统具有潜在优势。欧盟研究项目WeLASER[19,20]和Escarda[21]也在验证2 μm铥光纤激光的使用，强调了这项技术的认可潜力。除了幼苗控制外，最近的研究还探讨了激光处理在土壤表面控制杂草种子的潜力[22]。

1.4 研究空白和研究目标
尽管实验室实验和竞争系统展示了激光杂草控制的潜力，但在现实世界条件下缺乏全面的比较性田间研究。特别是，在将有前景的铥光纤激光技术嵌入商业相关环境中的集成系统的验证方面存在研究空白。因此，本研究的主要研究目标如下：
- 量化新型激光除草系统在商业有机农业种植中的整个季节的杂草控制效果和作物选择性。
- 分析该系统的操作性能。
- 建立评估激光除草系统的框架。
- 通过图1中的图形摘要清晰地展示了研究的整个工作流程——从图像采集和AI处理到激光定位和田间验证。

2. 材料与方法
2.1 激光除草系统和机器人平台
田间试验使用了来自德国Friedrichsgabekoog的Naiture GmbH & Co. KG的自主田间机器人系统，如图2所示。该图显示了2025年Bejo开放日期间在荷兰Warmenhuizen的胡萝卜试验田中的机器人系统[23]。2025年9月23日至26日，Bejo在荷兰Warmenhuizen举办了年度开放日，来自世界各地的蔬菜种植者和合作伙伴可以了解最新的品种和创新。超过800名参与者注册参加了此次活动。Naiture公司在9月23日至25日期间参与了每日除草机器人的演示，并成功展示了在甜菜根和胡萝卜上的激光除草机器人。

2.2 激光除草系统的工作原理
该除草系统基于光学图像识别、人工智能（AI）和高精度激光技术的组合。每个除草单元都配备了一个摄像头和一个强大的200瓦光纤激光器。在行驶过程中，摄像头实时捕捉植物图像。数据传输到中央AI模块，该模块分析捕获的图像。这涉及基于光谱和结构特征对杂草和作物进行精确分类。AI利用机器学习，能够适应不同的作物（如胡萝卜、菠菜、甜菜根）和生长阶段。Knoll等人[24]开发了一种基于AI的识别系统，能够实时区分杂草和作物，从而实现精准的激光应用。我们的系统采用了类似的AI技术，实现了高达30 FPS的实时杂草检测和高达200 cm/s的处理速度。Fatima等人[25]研究了适用于商业激光除草机器人中嵌入式系统的轻量级深度学习架构。一旦检测到杂草，系统会计算其精确位置并精确激活相应的激光束。激光产生高能量密度，破坏杂草的细胞结构——通常位于植物的生长核心。激光脉冲的持续时间和强度会根据植物种类及其生长阶段进行适应性调整。

3. 田间验证结果
为了提供解释田间验证结果所需的背景信息，下面总结了系统的关键工程方面；有关包括硬件原理图、通信协议和软件实现在内的完整技术细节，请参阅[26]。
八个除草单元以固定的线性排列安装在机器人的整个工作宽度上，每个单元位于作物行上方约40厘米的工作距离处。每个单元内，RGB摄像头和激光模块及其扫描头分别安装。通过使用集成的可见光导引激光[26]进行两点仿射校准，建立了摄像头和激光坐标系之间的几何关系。这种校准在系统安装时进行一次，并由于组件的刚性机械耦合而在操作过程中保持稳定。
在40厘米的工作高度下，摄像头的视野范围约为21厘米×21厘米，能够充分覆盖行内区域（宽度12厘米）。操作过程中以每秒30帧的速度连续捕获图像。对于每一帧，CNN实时将所有可见植物对象分类为“作物”或“杂草”。激光仅针对被分类为“杂草”的对象激活；不会进行连续或预先的照射。通过多种互补机制确保作物安全。首先，只有当CNN将对象分类为“杂草”且置信度超过操作阈值时，激光才会被激活；分类不确定的对象不会被处理。其次，系统在所有检测到的作物植物位置周围应用空间排除区：即使杂草边界框部分与作物重叠，激光也会避免照射到作物区域。第三，激光功率限制在适应性计算的剂量（10–40 J）内，这足以破坏小杂草组织，但在极少数误分类的情况下仅会在较大作物叶片上造成表面烧伤。在甜菜根试验中观察到了一个误分类事件，激光击中了一片作物叶片，但对后续植物生长没有明显影响。关于田间条件下的定位精度，摄像头、扫描头和安装框架之间的刚性机械耦合在操作过程中保持了工厂校准。实验室测试[26]中验证的±1毫米的位置精度在实地应用中得以保持，因为由于作物行的梯形堤坝结构，工作高度（40厘米）基本保持恒定。地形的起伏被机器人的悬挂系统吸收，使除草单元相对于垄面保持稳定的高度。一旦杂草被准确识别，系统就会使用校准的仿射变换[26]从边界框计算目标坐标。然后，激光束通过带有两个正交镜的振镜扫描头被导向目标，从而实现工作区域内的快速二维定位。激光以螺旋辐照模式传递能量，中心位于杂草的边界框上。如[26]所述，跟踪算法将连续帧中的边界框关联起来，以防止重复处理已经处理过的杂草。总结来说，从杂草检测到激光定位的操作工作流程分为五个连续步骤：（1）图像采集——RGB相机以30赫兹的频率捕捉作物行的帧。（2）CNN推理——深度学习模型将帧中的所有植物对象分类为“作物”或“杂草”，并在识别的杂草周围生成边界框。（3）跟踪——帧间跟踪算法将新检测到的杂草与之前识别的杂草匹配，以避免重复处理，并优先处理即将离开视野的杂草。（4）坐标变换——使用预校准的仿射变换将最高优先级的未处理杂草的边界框中心从图像像素坐标转换为振镜扫描器的坐标。（5）激光驱动——振镜将激光束导向目标位置，并执行自适应计算的辐照模式。整个周期在单个帧间隔内完成（<33.3毫秒），从而在不中断图像采集流程的情况下实现连续操作。从图像采集到激光激活的端到端延迟在30赫兹的采集率下每帧小于33.3毫秒[26]。激光定位的位置精度在实验室条件下被验证为±1毫米[26]。本研究中报告的2025年田间试验中，机器人的移动速度约为0.5公里/小时。每个除草单元使用的激光器是高功率的4级激光器，其红外光束不可见，波长范围为1930-2050纳米。这个波长非常适合精确地破坏植物细胞核，而不会影响相邻的作物。激光器的光束质量很高（M2 < 1.2），并且具有长期发射稳定性（<3%）。输出功率为200瓦，可以通过光纤电缆传输至10米远。激光器还包括一个水冷系统，工作温度范围为16-22摄氏度。它还配备了一个用于定位的引导激光。为了评估系统的能源效率，监测了每株杂草所接收的特定能量。在200瓦的连续波输出功率下，脉冲持续时间在50毫秒（针对子叶阶段，大约3-10毫米）和200毫秒（针对较大的杂草>5厘米）之间进行自适应调整。因此，每株杂草所接收的能量范围从10焦耳到40焦耳。这种自适应的能量输入确保了分生组织被加热到超过60摄氏度，从而造成致命伤害，同时优化了处理速度。自适应的曝光时间范围是通过结合文献中的能量阈值和200瓦激光系统的实验优化确定的。Marx等人[9]使用直径为1.5毫米的聚焦光束，确定了双子叶杂草在子叶阶段的致命能量需求约为25-50焦耳。基于这些参考值，使用200瓦的铥光纤激光进行了初步的田间试验，以确定能够可靠地造成致命伤害的最小曝光时间。结果表明，50-200毫秒的曝光时间范围（对应于200瓦连续波输出下的10-40焦耳）能够从子叶阶段到4叶阶段一致地破坏杂草，而螺旋辐照模式将能量分布在整个杂草边界框上。其余的关键操作参数的选择基于以下考虑：机器人的移动速度为0.5公里/小时，这是为了确保在机器人前进之前能够检测并处理视野内的所有杂草。在30赫兹的帧率和21厘米的视野高度下，系统每21厘米的段落大约捕获45个重叠帧（0.5公里/小时≈13.9厘米/秒；在30帧每秒的情况下，这意味着每移动4.6毫米就捕获一帧），为可靠的检测和跟踪提供了足够的冗余。选择土壤表面以上40厘米的工作高度是为了在扫描头的角度范围和产生的光斑大小之间取得平衡：在这个距离上，振镜可以实现21厘米×21厘米的工作区域，完全覆盖12厘米的堤坝宽度，同时在目标表面保持大约2毫米的光束直径。增加工作高度会扩大覆盖面积，但会降低单位面积的能量密度，需要更长的曝光时间。

2.2. 实验设置
讨论并同意了以下确定除草成功与否的程序：
故意在杂草压力明显的区域放置模板位置，以确保系统在高需求条件下进行测试，从而对检测和执行能力进行“压力测试”。我们承认这种故意的选择会偏倚结果，系统在平均或低杂草压力条件下的表现仍有待验证；然而，这确保了系统在相关的商业条件下进行了测试。关于初始的田间条件，作物是按照标准有机农业指南种植的。在激光试验之前，田地接受了标准的前出苗热处理（燃烧），以减少初始的杂草数量，随后进行了机械的行间锄草。因此，机器人系统针对的是剩余的行内杂草种群。试验田中的杂草群落是石勒苏益格-荷尔斯泰因沼泽地区的典型代表（年轻的海洋粘土土壤）。观察到的主要物种包括Chenopodium album（普通藜）、Stellaria media（繁缕）和Polygonum spp.（蓼属植物），其中大多数是在处理时处于子叶到2叶阶段的双子叶杂草。然而，没有进行正式的植物学调查和物种级别的鉴定与量化。土壤条件是沼泽地区的典型特征（年轻的海洋粘土），具有高保水性。作物行采用梯形堤坝结构进行种植（顶部宽度12厘米，高度15厘米，行间距75厘米），如[26]中详细描述。在这些选定的田地中至少放置了六个测量模板。选择杂草最明显的位置放置模板。这些模板被视为观察子单元，并且每个田地一起进行评估。模板在胡萝卜床上的开口必须足够窄，以便使用的相机能够看到图像两侧的边界。模板上附有一条参考测量带。进行一次初始破坏运行。相机的视频流被存储在模板区域内。此外，另一个相机记录了破坏区域。破坏运行后的一天（大约24小时），再次用相机记录该田地部分，如果可能的话，也用无人机进行记录。此后，如果天气允许，每3天记录一次该田地部分。需要注意的是，每个作物的六个测量模板是单个田地内的观察子单元，并不构成独立的实验重复。因此，报告的平均值±标准差（n = 6）反映了田地内的空间异质性，而不是不同田地、土壤类型或季节之间的真实实验变异性。图3显示了创建的模板的尺寸以及模板在田地上的实际应用情况。图3. (a) 创建的模板的尺寸；(b) 固定在田地上的模板。

2.3. 测量方法和数据标准化
如图3所示，田地数据是使用放置在作物行中心的定义好的测量模板记录的。为了确保结果的可重复性并标准化结果中呈现的绝对计数，具体尺寸和初始杂草密度定义如下：
模板尺寸：每个评估窗口覆盖的长度为1.5米，宽度为0.12米，代表相关的行内区域。
初始杂草密度：根据原始计数，胡萝卜的初始杂草密度约为25株/米，甜菜根的初始杂草密度约为60株/米。
为了防止计数歧义，应用了一种二进制跟踪方法：每株杂草都被索引为一个独特的对象。在多周期甜菜根试验中，第一次通过后存活的杂草被重新索引为第二次通过的目标，以确保累积效果指标反映了相对于初始种群的真实减少量。
定义了以下类别来计算多轨道机器人除草系统在一个除草周期后的除草成功率：
成功WC1（SWC1）：杂草已被完全破坏。
损坏WC1（DWC1）：杂草受到损坏但未被完全破坏。
失败WC1（FWC1）：尽管接受了激光处理，杂草仍然恢复。
未检测到WC1（UWC1）：杂草未被AI检测到，因此没有被激光击中。
新出现WC1（RWC1）：杂草在除草机器人除草后再次发芽。
被击中WC1（HWC1）：杂草被激光击中。
现在可以按照以下方式计算第一次除草周期（WC1）的除草成功率（WS）：
为了对机器人系统进行严格的评估，我们定义了区分物理破坏单元（执行）和整体农艺结果（系统性能）的指标。这种将检测精度与去除效率分开的方法与机器人除草文献[27]中提出的方法一致。
首先，我们定义了除草成功率（WS）（通常称为致死性或执行器效率）。该指标评估激光对目标杂草造成致命伤害的能力。因此，它排除了：
未检测到的杂草（UWC）：这些代表计算机视觉的失败，而不是激光硬件的失败。将它们包括在内会将AI性能与激光效率混淆。
新出现：在处理后发芽的杂草是环境因素，与激光在处理过程中的性能无关。
因此，第一次循环的除草成功率（WS）计算为有效处理的杂草数量与目标杂草总数的比率：
\[ \frac{??^\text{处理过的杂草数量}{??^\text{总目标杂草数量}} \times 100\% \] （1）
未检测到的类别不包括在除草成功率的计算中，因为这与识别AI有关。胡萝卜的AI性能已经使用一个显著大于此处指定测试区域的代表性测试数据集独立计算。关于胡萝卜数据集和识别AI的主要结构的更详细描述可以在[26,28]中找到。对于实际的识别AI，平均精度（mAP）达到了98.5%，交并比（IoU）范围为50-95%。mAP值0.50:0.95几乎达到了100%，表明AI识别单元的性能很高。这些值是在播种后大约4周时针对小杂草获得的。通过为AI提供更具代表性的数据，可以进一步提高这些值。这需要在未来的除草周期中持续进行。
在计算多轨道机器人除草系统的除草成功率时，也不考虑新出现的类别，因为这些杂草是在除草机器人完成除草过程后发芽的。机器人无法破坏此时不存在的杂草。这些杂草只有在除草机器人多次经过该区域时才能被检测到。
其次，从农艺角度来看，农民关心的是杂草压力的总体减少。我们将其定义为除草效果（WE）。该指标考虑了所有系统限制，包括AI的假阴性（未检测到）和被处理植物的恢复（失败）。它可以如下计算第一次除草周期（WC1）：
\[ \frac{??^\text{处理过的杂草数量}{??^\text{总目标杂草数量}} \times 100\% \] （2）
另一个重要的值是识别AI的检测率（DR）。以下是第一个除草周期的计算方法：
???????????1 = ????????1????????1 + ????????1（以百分比表示）（3）

除了标准的检测率（DR）之外，我们还定义了一个补充指标——校正检测率（DR_corr），该指标排除了由于以下原因而无法检测到的杂草：（a）作物冠层物理遮挡（Undetected_covered）和（b）除草装置与测量模板之间的机械对齐误差（Undetected_align）。这个指标单独报告，以便将AI的固有识别能力与外部操作因素区分开来。在计算除草效果时，不使用这个指标。

当进行第二次除草周期时，主要目标是减少第一次除草周期中的失败、新出现和未被检测到的杂草类别。这可以提高除草的成功率和效果。因此，必须扩展公式（1）和（2）以包括第二次除草周期（WC2）的相关类别：

- **除草成功率WC2（SWC2）**：在第一次除草周期结束后新出现的杂草在第二次除草周期中被完全清除。这些杂草不属于第一次除草周期观察期间的新生长类别。
- **损坏率WC2（DWC2）**：在第一次除草周期结束后新出现的杂草在第二次除草周期中受到损坏，但未被完全清除。这些杂草不属于第一次除草周期观察期间的新生长类别。
- **失败率WC2（FWC2）**：在第一次除草周期结束后新出现的杂草在第二次除草周期中尽管接受了激光处理但仍存活。这些杂草不属于第一次除草周期观察期间的新生长类别。
- **未被检测率WC2（UWC2）**：在第一次除草周期结束后新出现的杂草在第二次除草周期中未被AI检测到，因此没有受到激光处理。这些杂草不属于第一次除草周期观察期间的新生长类别。
- **新出现率WC2（RWC2）**：在第二次除草周期后，新的杂草再次生长。

因此，必须按照以下方式调整两次除草周期的除草成功率（WS）的计算公式：
??????????????????? = ????????1 + ????????2 + ????????1 + ????????2????????1 + ????????2 + ????????1 + ????????2 + ????????1 ? ????????12（以百分比表示）（4）

未被检测到的杂草类别仍然不计入总体除草成功率的计算中，因为这与AI的识别能力有关。

2025年，对甜菜进行了第二次除草周期的试验。对于甜菜的识别AI，平均精度（mAP）仅为75%，交并比（IoU）范围为50–95%。原因是甜菜AI是在2025年首次训练的。如果为AI提供更具代表性的训练数据，这一数值可以显著提高。这需要在未来的除草周期中持续进行。

新出现的杂草类别也不计入总体除草成功率的计算中。在除草机器人的一次除草周期后出现的杂草无法被机器人清除，因为这些杂草在那个时间点还不存在。只有当机器人进行第三次除草周期时，才能检测到这些杂草。

两次除草周期的除草效果（WE）的计算也需要相应调整，现在按照以下方式计算：
??????????????????? = ????????1 + ????????2 + ????????1 + ????????2????????1 + ????????2 + ????????1 + ????????2 + ????????1 ? ????????12 + ????????1 ? ????????13 + ????????2 + ????????1 ? ????????13（以百分比表示）（5）

检测率的计算方法保持不变，但每个除草周期都会单独计算。

**3. 实验结果和性能评估**
3.1. 一个除草周期的整个除草系统的实验结果
2025年，在德国Friedrichsgabekoog的Westhof Bio GmbH公司的胡萝卜田中评估了该机器人的一个除草周期的性能。图4显示了模板在胡萝卜田上的安装位置，这确保了图像可以正确分配到相应的模板上。此外，模板还进行了编号，使得分配工作更加容易。2025年7月11日使用除草机器人进行了除草操作，并使用公式（3）计算了识别AI的检测率。随后在7月14日、7月16日和7月22日拍摄了模板区域的图像，以便跟踪和分析这些天的除草效果。然而，只有7月22日的结果被用于计算除草成功率（见公式（1）和除草效果（见公式（2））。图5展示了第一个模板S1在11天内的测量结果示例。如图5所示，各个类别中的条目由两个人独立标记和计数，然后两人共同检查了结果的一致性。

3.2. 两个除草周期的整个除草系统的实验结果
2025年，还在德国Friedrichs-gabekoog的Westhof Bio GmbH公司的甜菜田中评估了该机器人的两个除草周期的性能。图6显示了模板在甜菜田上的安装位置。2025年7月29日首次使用除草机器人进行了除草操作，并使用公式（3）计算了识别AI的检测率。随后在7月31日和8月4日再次拍摄了模板区域的图像。8月8日进行了第二次除草，以测试重复除草对效果的影响，并使用公式（3）重新计算了识别AI的检测率。8月13日拍摄了对照图像。只有8月4日和8月13日的结果被用于计算除草成功率（见公式（4）和除草效果（见公式（5））。8月4日的结果是一个中间值，而8月13日的结果代表了最终的除草性能。图7展示了第一个模板S1在16天内的测量结果示例。如图7所示，各个类别中的条目再次由两个人独立标记和计数，然后两人共同检查了结果的一致性。

3.3. 检测率
如图8所示，深度学习模型的性能根据作物类型和生长阶段而有显著差异。数据代表了每次试验中n = 6个测量模板的平均值；误差条表示标准偏差（±SD）。第二次甜菜周期性能的显著下降归因于冠层遮挡，导致视觉检测受阻。在胡萝卜试验中，系统的平均检测率为84.7 ± 13.6%（平均值 ± 标准偏差）。相对较高的标准偏差表明了田间检测性能的空间异质性。对单个模板的分析显示，假阴性主要是由于杂草体积小（子叶阶段）以及不规则的土壤质地和阴影效应造成的，这些因素偶尔会遮挡目标特征。

在甜菜试验中，随着作物的生长，性能明显下降。在第一个周期（早期生长阶段），检测率为76.9 ± 15.7%，与胡萝卜试验相当。然而，在第二个周期（后期生长阶段），平均检测率显著下降至40.0 ± 20.9%。这种大幅下降和高变异性归因于冠层闭合的开始。随着甜菜叶子的扩展，它们形成了“冠层遮挡”效应，物理上覆盖了行内的小杂草。自上而下的2D相机视角无法识别这些被遮挡的目标，导致原始数据中“未被检测到”的实例数量较多。这一结果突显了单视角2D成像在高级生长阶段的关键局限性。

3.4. 除草性能
使用两个不同的指标评估了除草性能：除草成功率（WS），反映了激光对目标杂草的物理杀伤效果；以及除草效果（WE），反映了图9中显示的总体农艺效果。图9比较了不同田块试验中的除草成功率（WS）和除草效果（WE）。除草成功率衡量了激光对目标杂草的物理杀伤效果，而除草效果则考虑了未被检测到的杂草和新出现的杂草。误差条表示标准偏差（±SD，n = 6）。

- **胡萝卜**：系统在激光定位方面表现出高可靠性，除草成功率为95.4 ± 7.4%。这表明一旦检测到目标杂草，激光能量足以在大多数情况下造成致命伤害。然而，总体除草效果仅为75.8 ± 16.6%，主要是由于第3.1节中提到的未被检测到的杂草所致。
- **甜菜**：在第一个周期中，系统的物理性能最佳，除草成功率为98.7 ± 3.1%，表明对识别出的目标几乎实现了完全杀伤。该周期的除草效果为74.7 ± 12.8%。尽管由于冠层遮挡导致检测率较低，但在第二个周期中，激光对已发现的杂草仍然非常有效，除草成功率为93.8 ± 10.5%。最重要的是，两次处理的累积策略非常有益。通过结合第一次和第二次处理的成果，甜菜作物的累积除草效果达到了84.7 ± 14.0%。这表明，虽然单次处理可能会受到遮挡的影响，但多次处理的策略可以弥补这些限制，实现农艺上可接受的杂草控制水平。

**4. 讨论和未来工作**
2025年的田间试验结果令人信服。激光除草机器人的除草成功率为95%。然而，胡萝卜的检测率85%尚未达到理想水平，但通过收集更多数据并确保破坏装置与测量模板之间的完美对齐，这一比率可以提高。总体而言，胡萝卜的除草效果为74%。例如，通过多次除草可以减少胡萝卜的再生，从而进一步提高除草效果。

甜菜首次进行了两次除草周期的试验。发现第二次除草过程中的检测率明显下降（从第一次周期的73%降至第二次周期的41%），因为此时植物已经长得较大，部分遮挡或遮住了杂草。这阻止了杂草的生长，因为它们不再接受阳光照射，因此不会干扰植物的生长。此外，由于破坏装置与测量模板之间的对齐不佳，检测率也不高。这可能有多种原因，例如驾驶员的手动调整不当或地形不平整。在图10a中可以看出，模板S1的右边缘条带（见图10b）在图像中是不可见的。因此，在图10b中无法检测到模板右侧的杂草也就不足为奇了，结果检测率非常低。红色方块标记了图10a中相机视野的图像部分。在未来的评估中，必须更好地将模板与垄的中心对齐。然而，靠近右侧边缘的杂草在监测期间对植物没有明显影响，因为它们通常在行间进行机械除草时被清除，并且距离植物也足够远，不会影响植物的生长，如图10b所示。

图10：
(a) 2025年8月8日记录测量模板S1时的相机视图（见图7）。
(b) 带有标记图像部分（红色方块）的测量模板S1的记录。

第二个甜菜周期的标准检测率为40.0 ± 20.9%。为了诊断目的，我们还报告了校正后的检测率（DR_corr = 84%），该比率排除了由于对齐错误和冠层遮挡而丢失的杂草。这个数值仅用于表征人工智能的固有性能，不应被解释为系统的实际检测能力。这种2D自上而下成像在冠层闭合情况下的基本限制已被强调为先进生长阶段可扩展激光除草的关键障碍[29]。

为了更好地理解表1，图11显示了：
(a) 2025年8月8日第二次除草周期时图7中图像的特写。
(b) 2025年8月13日的除草结果。

表1中显示，图11a中未检测到的杂草原始数量为九株，如表1中的T1列所示。然而，有七株杂草由于对齐错误（橙色圆圈）未被检测到，两株杂草由于阴影效应（红色圆圈）未被检测到。图11b显示了除草的结果。根据视觉观察，模板边缘附近未检测到的杂草在监测期间似乎没有对相邻的作物植物产生视觉影响。然而，这一观察结果是定性的，并没有产量测量或竞争性生长分析的支持。定量评估未检测到的杂草对作物产量的影响仍然是未来研究的重要目标。

图11：
(a) 2025年8月8日第二次除草周期时图7中图像的特写。
(b) 除草结果。

与检测率相比，由于第二次除草周期，除草效果显著提高，从71%增加到88%。这一数值显著高于胡萝卜的除草效果，表明第二次除草周期提高了除草机器人的性能。第二次除草周期后的除草成功率仍然很高，达到了98%。这是因为失败类别的条目很少。

在第二次除草过程中，也发生了一次误分类，激光穿透了一片植物叶子（图12中的红色圆圈）。根据视觉观察，这对植物生长没有明显影响，如图12所示。

图12：
2025年8月8日（左图）和2025年8月13日（右图）第二次除草周期时第一个模板S1下方测量窗口的特写。

本研究没有区分不同杂草种类的激光处理效果。由于铥纤维激光的作用机制针对植物组织中的水分——这是一种普遍特性——我们假设在子叶阶段的物种特异性致死率变化很小。然而，具有较厚角质层、蜡质涂层或更健壮分生组织的物种可能需要更高的能量剂量。针对不同物种的有效性试验是未来验证的必要组成部分。还必须考虑田地的初始条件。例如，在2025年，由于天气原因，几乎所有田地的杂草压力都非常大，无法在适当的时间进行火焰处理。

该系统没有在杂草密度低或异质的区域进行测试。因此，报告的检测率和有效性可能不能代表平均田地条件。未来的研究应该采用分层或随机采样方法，在不同杂草压力区域进行评估，以评估其普遍性。

有关从杂草检测到坐标转换再到激光驱动的整个工程链的完整描述，包括处理时间基准、跟踪算法和位置精度验证，请参阅配套出版物[26]，该出版物为本研究中展示的田间验证提供了系统级的技术基础。

4.1. 与现有技术系统的比较
为了将所展示的铥纤维激光系统的性能置于上下文中，将其与现有的商业和研究解决方案进行比较至关重要。值得注意的是，像Carbon Robotics [15]和各种蓝色激光原型（例如WeedBot [16]）这样的系统使用不同的激光源，具有不同的优势和权衡。表2总结了关键的技术差异。

表2. 基于激光的除草技术比较。

如表2所示，Carbon Robotics平台使用CO2激光器，虽然功率高，但插电效率低（约10%），并且对植物表面的湿度敏感。此外，其沉重的平台设计限制了在潮湿土壤条件下的操作。Sosnoskie等人[30]最近的一项同行评审的田间研究表明，CO2激光除草在甜菜、菠菜和豌豆生产系统中的效果与传统除草剂相当或更优，证实了激光方法的农艺可行性。相比之下，蓝色二极管激光器效率很高，但依赖于叶绿素的吸收，而叶绿素的吸收量会随植物年龄而变化。WeLASER项目中的一个自主激光除草机器人的生命周期评估表明，尽管能耗仍然是一个挑战，但总体环境性能优于传统方法[31]。本研究中使用的铥纤维激光系统处于一个技术“最佳点”：它像CO2激光器一样针对水分进行有效破坏，同时具有固态激光器的紧凑性和更高的能量效率（约30%），使得机器人平台更轻便、更灵活。

4.2. 成本效益分析
初步的成本效益分析突显了这项技术的经济潜力。根据我们的合作伙伴Westhof Bio GmbH的数据，目前有机胡萝卜种植中的人工除草每公顷每个季节的成本约为1800欧元，这主要是由于最低工资上升和劳动力短缺造成的。相比之下，最近的大规模案例研究表明，自主激光除草具有显著的成本优势。例如，激光除草的总运营成本（包括机器折旧和劳动力）约为每英亩268美元（约610欧元/公顷）[32]，与手工除草相比节省了超过40%的成本。德国行作物生产中对自主除草机器人的同行评审经济评估表明，运营成本远低于手工除草的成本，机器人系统的成本结构在250-600欧元/公顷之间，具体取决于农场规模、机器人使用情况和除草次数[33]。尽管初始投资较高，但这些数字表明，对于大规模有机农场来说，投资回报（ROI）可以迅速实现，不仅降低了成本，还摆脱了对季节性劳动力的依赖。Tran等人[34]的利害关系者分析确认，自主激光除草在欧洲有机农业中的实施潜力特别高，这与本研究的商业背景一致。Shang等人[35]的经济模拟研究表明，有机甜菜种植中除草机器人的最大收益值远高于传统农业，这主要是由于技术属性如面积容量和除草效率。

5. 结论
本研究展示了基于200瓦铥纤维激光的自主除草机器人在有机胡萝卜和甜菜生产中的田间验证。结果表明，该系统是手工除草的有效技术替代方案。激光硬件被证明非常可靠，在胡萝卜中的除草成功率（对目标杂草的致死率）达到了95.4%，在甜菜中达到了98.7%。这证实了铥纤维激光的热能（每株杂草10-40焦耳）足以实现有效的杂草控制。然而，总体农艺效果在很大程度上取决于人工智能的检测性能。虽然早期阶段的控制效果很好（约75%的有效率），但由于冠层遮挡，甜菜后期的检测率下降到了40%。尽管如此，通过多次处理策略能够弥补这些不足，最终实现了84.7%的杂草减少。

这些结果的普遍性受到试验仅在单个生长季节内的单一作物类型和单个田地进行限制。未来的研究必须包括多田地和多季节的重复实验，以验证这些发现的稳健性和外部有效性。

从经济角度来看，这项研究表明了其强大的经济可行性。如4.2节所讨论的，激光除草的估计运营成本（250-600欧元/公顷）显著低于当前有机农业中的手工除草成本（约1800欧元/公顷）。虽然初始投资较高，但摆脱了对季节性劳动力的依赖以及在潮湿土壤条件下运行的能力提供了明显的战略优势。

未来的工作将集中在三个关键领域：（1）集成主动机械叶片操纵器以解决生长后期的冠层遮挡问题；（2）进行长期研究，量化与机械锄草相比对作物产量和土壤健康的影响；（3）扩展经济分析，包括不同农场规模的折旧模型。