1. 课程导入与杂草识别应用全景
杂草是农田生态系统中最难缠的“非目标植物”。它们与作物争夺光、水、养分和空间，还会成为病虫害的中间寄主，直接拉低产量与品质。传统除草长期依赖“见草就打药”的均匀喷施，既浪费药剂，又容易诱发抗药性。要走向精准除草，第一步就是让机器“看懂”田里长的是什么——这正是杂草识别与分类要解决的问题。本课程围绕“识别—分类—决策”这条主线，帮助你把图像、模型与农艺判断串成一条可落地的技术链路。
一、杂草识别在农业生产中的价值
杂草识别的价值不止于“认出来”，而在于把识别结果转化为可执行的农事动作。可以把它拆成三个层次来理解：
- 减量用药：只对识别出的杂草区域施药，可显著降低除草剂用量与飘移风险，对水源地和有机种植区尤为重要。
- 精准机械除草：行间、株间的物理除草设备需要知道“作物在哪、草在哪”，识别结果直接决定刀具或耙齿的避让动作。
- 农情监测与决策：统计不同地块、不同时期的草相组成，可辅助判断抗性演化趋势、评估除草方案效果，为下一季的轮作与用药计划提供依据。
需要强调的是，识别精度并非越高越好，而要与后端执行能力匹配。例如喷头雾滴覆盖范围约 20～30 cm，那么识别定位误差控制在 10 cm 以内通常已足够；若追求毫米级定位却使用粗雾滴喷头，投入产出并不划算。
二、从图像采集到分类决策的完整链路
一条完整的杂草识别应用链路，通常包含采集、预处理、检测分割、分类、决策执行五个环节。下图展示了各环节的输入输出与关键参数，便于你建立整体框架。
以田间实际作业为例：相机安装在喷杆上方约 1.2 m，俯拍幅宽约 1.5 m，单帧分辨率 1280×720。采集到的图像先做光照均衡与透视校正，再送入分割模型得到植株掩膜，随后分类模型判断每个掩膜属于作物还是某种杂草，最后按“杂草掩膜外扩 5 cm”生成喷施处方。整个链路中，任何一环的参数偏差都会向下游放大，因此每一环都需要可观测、可回溯。
三、常用术语与评价指标
在后续章节中会反复出现以下术语，先建立统一口径：
| 术语 | 含义 | 在本课程中的典型用法 |
|---|---|---|
| 作物 / 杂草 | 按农艺目标划分的两类植物 | 分类模型的基本二分类目标 |
| 物种分类 | 细分到具体草种，如稗草、马唐、反枝苋 | 用于抗性监测与选药 |
| 检测框 | 包围植株的矩形区域 | 快速定位，适合实时喷施 |
| 语义分割 | 逐像素标注类别 | 精细避让、机械除草 |
| 置信度 | 模型对某类判断的把握程度 | 低于阈值转人工或保守处理 |
| 混淆矩阵 | 各类别判对/判错的统计表 | 定位主要误判方向 |
评价指标要结合业务目标来选。假设一块试验田有 1000 株植物，其中杂草 200 株、作物 800 株。若模型把 180 株杂草正确识别、20 株杂草漏判为作物，同时把 40 株作物误判为杂草，则杂草类召回率为 180/200=90%，精确率为 180/(180+40)=81.8%。在除草场景中，漏判杂草意味着除草不彻底，通常比误判作物更不可接受，因此应优先保证召回率，再通过阈值和复核机制控制误判。
本课程后续将沿着这条链路逐段展开：先讲图像采集与数据标注的质量控制，再讲检测、分割与分类模型的选型与训练，最后落到处方图生成与田间验证。你现在需要建立的，是一个“从像素到动作”的整体视角——识别不是终点，能指导农事决策的识别才有意义。