随着全球人口和对粮食和蔬菜需求的增加，作物产量正面临严重压力，特别是在可耕地规模有限的情况下。卷心菜是世界上种植最广泛的蔬菜之一。

产量主要受疾病和害虫的影响。迄今为止，喷洒农药一直是最有效的疾病和害虫控制手段。然而，传统的连续喷洒方法导致60-70%的化学溶液沉积在非目标区域。

这导致一系列问题，如严重的农药废物、过多的化学残留物和环境污染。定向喷洒是解决这些问题的有效方法。利用传感器实时获取目标信息，并结合独立的喷嘴控制技术，在单个目标上实现精确喷涂。

面向目标的喷涂的先决条件是实时获得准确的目标信息。现场检测系统包括机器视觉技术、超声波传感器检测技术、激光雷达检测技术、超声波传感器和激光雷达。

可用于根据反射的超声波和光束确定目标在区域的位置。然而，这样的系统无法准确区分田间的作物和杂草。无论如何，由于丰富的信息采集、准确性和智能的特点，机器视觉技术在卷心菜识别方面有一些优势。

近年来，随着计算机技术和图形处理单元的发展，基于机器学习算法的视觉技术已逐渐开始用于田间作物识别。在手动提取的目标轮廓、纹理、颜色和其他特征信息的基础上，可以采用机器学习分类器来识别目标。

然而，由于这种方法是手动提取目标特征的，因此很难全面评估复杂且可变的现场环境，导致识别方法的泛化程度低。

基于大量图像数据，可以通过采用深度学习自动提取目标特征。因此，即使在复杂的环境中，这种方法也具有良好的推广性能。目前，许多学者已经开始使用深度学习模型来识别田间作物。

作用机制是提前对大量图像进行模型训练，然后模型自动提取用于区分目标作物的特征，从而提高识别的准确性和鲁棒性。例如，Suh等人收集了不同环境中的杂草图像，以进行VGG19的深度学习。

测试结果表明，模型训练后，模型的平均精度达到98.7%。此外，在Ahmad等人使用VGG16模型进行转移学习的研究中，在使用测试集的图片训练杂草识别模型后，该模型的平均精度为98.90%。

然而，这样的模型只能确定目标类别，不能输出目标的位置信息。为了使这种模型能够输出目标的位置信息，同时识别目标作物，基于深度学习的目标检测算法可用于田间作物检测。

然而，在上述所有研究中，仅对在静态条件下获取的图像进行离线处理。这些模型的性能尚未在恶劣的现场条件下得到验证，在这些条件下，光线强度是可变的，设备在操作过程中的运动导致拍摄图像的运动模糊。

在现场工作时，相机的振动或晃动会导致收集到的图像模糊，这将影响图像识别的准确性。一般来说，专注于降低操作过程中图像模糊导致的作物识别平均精度的相关研究数量有限。

例如，通过在喷雾机上将杂草识别模型植入NVIDIA GeForce GTX 1080 GPU中，Liu等人设计了一个杂草目标喷雾器。当喷雾器的运行速度为3公里/小时时，除草识别精度为94%。

然而，当速度进一步提高时，会产生运动模糊，从而将识别精度降低到86%。Tan等人基于YOLOv4和光学流法设计了一个棉苗跟踪模型，并采用了它来跟踪1920×1080像素的早期阶段收集的离线处理的视频。对于一些带有运动模糊目标的视频和图片，模型的平均精度为98.84%。

由于线间距和种植距离大，在蔬菜种植中采用连续和均匀的农药喷洒会导致农药废物，从而增加成本和环境污染。本文通过应用深度学习和在线识别方法，以卷心菜为研究对象，研究了面向目标的喷洒控制技术。

为了克服喷雾器运行期间在强光条件下的运动模糊和低平均精度，使用植入变压器模块的创新YOLOV5模型在复杂环境中实现卷心菜田的准确在线识别。

基于这一概念，在NVIDIA Jetson Xavier NX上构建了一个新的面向目标的喷雾系统。室内测试结果显示，平均精度为96.14%，图像处理时间为51.07毫秒。当发生运动模糊时，目标的平均精度为90.31%。

然后，在野外实验中，当光强度在3.76-12.34 wlx范围内时，前进开口距离小于3.51厘米，延迟闭合距离小于2.05厘米，卷心菜直径的平均识别误差小于1.45厘米。

实验结果表明，光强度的变化对识别效果没有显著影响。平均精度为98.65%，储蓄率达到54.04%。一般来说，本研究中设计的面向目标的喷涂系统实现了预期的实验结果，并可以为现场目标喷涂提供技术支持。

一、卷心菜识别模型的构建

在这项研究中，选择了当前的主流YOLOv5模型及其具有不同结构的优化变体进行比较研究，以开发最佳的卷心菜识别模型。YOLOv5是一个单阶段目标检测模型，用于将卷心菜的分类和定位功能集成到一个神经网络中。

它使用基于跨阶段部分网络的C3结构来提取目标特征，从而在没有相互遮挡的情况下为大型目标实现良好的特征提取效果；

然而，对于图像中的卷心菜和杂草相互阻挡的情况，可以提取相对较少的卷心菜特征信息。在本文中，通过将卷心菜目标的位置编码添加到原始网络中并采用多头关注机制，提高了卷心菜目标的特征获取能力，并提高了模型的识别准确性。

单个变压器模块所需的计算量低于C3结构；因此，图像处理速度也可以在一定程度上提高。为了解决传统卷积的巨大计算负担问题，使用深度可分卷积来代替传统卷积。

传统卷积和深度可分卷积的计算公式如方程

（1）和（2）所示。对于由480×288像素图像组成的输入，输出特征映射的数量为16，卷积内核大小为3×3。

传统卷积的计算复杂度为5.972×107，而使用深度可分卷积时的计算复杂度为3.732×106，仅为传统卷积的6.25%。因此，本文使用深度可分卷积而不是传统的卷积来进一步降低模型的计算负载。

二、卷心菜的定位方法

在这项研究中，通过视频流对卷心菜田进行实时识别和定位。鉴于单个卷心菜可能会在不同的帧图像中反复出现和被识别，这将导致这种卷心菜的定位信息被反复发送到执行结构中。

本文采用了基于卡尔曼滤波器和研究人员在之前研究中提出的匈牙利算法的卷心菜定位方法。定位过程如下。

首先，出现在相机视野中的每个卷心菜都会被赋予一个唯一且恒定的ID号，以在不同帧中的同一卷心菜之间建立连接。此外，在视野中建立了一条虚拟线。

当两个图像上的卷心菜边界框前端的连接线与虚拟线相交时，确定卷心菜在虚拟线上。此时，模型将卷心菜位置信息和直径信息发送到较低的计算机。根据卷心菜种植模式，视野分为四个部分，以检测卷心菜目标的不同列。

三、现场实验

1、模型性能比较测试

在8:00~9:00、12:00~13:00和16:00~17:00的不同照明条件下，进行了比较测试，以调查优化模型和在增强数据集上训练的YOLOv5n模型的识别准确性。测试中使用的卷心菜总数为1553。

在测试期间，使用了手动统计方法来记录错过和错误喷洒的卷心菜的数量。如果喷嘴没有在卷心菜上方打开，则该实例被视为错过的喷雾，如果喷嘴在非目标区域打开，则被视为错误喷洒的目标。

具体步骤如下：在目标喷涂测试中，两个拿着红色和蓝色标签的人跟着喷雾器。他们对未喷洒的卷心菜贴上红色标签，对错误喷洒的目标贴上蓝色标签，在喷洒后收集标签，计算错误喷洒和错过的卷心菜的数量，并计算喷洒的准确率。

2、目标喷涂系统性能测试

为了验证不同照明条件下以目标为导向的喷雾系统在不同照明条件下对卷心菜的目标误差、节余率、液滴沉积密度、液滴沉积量和喷洒精度。

从2022年5月6日下午17:00和2022年5月7日上午8:00至中午12点，在中华人民共和国北京市小塘山镇国家精准农业示范研究基地的卷心菜田（北纬116°26′44′′东）进行了相关实地实验。

在实验中，随机选择了十个卷心菜脊，用于定向喷涂和连续喷涂的对比实验。卷心菜地块中每个山脊的长度为66米。此外，在现场设立了一个小型气象站，以记录测试期间的光照强度、湿度和风速等气象信息。

四、结论

本文提出了一种增强运动模糊数据的方法，构建了基于变压器模块的卷心菜田在线识别模型，并设计了相应的卷心菜目标应用系统。实验室测试表明，该卷心菜识别系统的精度为96.14%，运动模糊图像的精度为90.31%。

当此模型部署在NVIDIA Jetson Xavier NX上时，图像处理速度为51.07毫秒。现场实验表明，当光强度在3.76-12.34 wlx范围内变化时，对模型的目标误差或卷心菜直径的识别误差没有显著影响。

面向目标的喷涂工艺的平均精度为98.65%。当幼苗缺乏率为3.04%时，卷心菜叶上的液滴沉积为0.536微升/立方厘米，沉积密度为126.82件/立方厘米，模型的节省率可以达到54.04%。

研究发现，目标误差与卷心菜直径识别误差、车轮滑移和地面平整度直接相关。因此，在未来的研究中，应讨论接地滑和平整度对目标控制精度的影响，以有效提高目标精度。