面向果园道路区域的杂草空间量化与作业负荷评估方法

本技术属于农业机器人、机器视觉、智能除草和精准农业，特别涉及一种面向果园道路区域的杂草空间量化与作业负荷评估方法，适用于果园除草机器人、果园植保机器人和果园智能作业装备在道路区域内进行杂草识别、空间分布量化、变量除草决策和作业负荷评估等应用场景。

背景技术：

1、果园道路及行间区域是果园机械化作业、植保作业、除草作业和运输作业的重要通行空间。随着果园管理向智能化、精细化和低投入方向发展，果园道路区域内杂草的精准识别和定量评估逐渐成为智能除草装备和变量作业系统的重要前提。道路内杂草持续生长不仅会压缩机器人和农机具的有效通行空间，还会增加作业阻力、影响行驶稳定性，并可能导致植保或除草作业强度分配不合理。

2、现有果园或农田杂草识别方法主要包括基于颜色指数的阈值分割方法、基于颜色空间变换的图像处理方法以及基于深度学习的目标检测或语义分割方法。上述方法能够在一定程度上实现绿色植被目标识别，但在果园道路场景中仍存在一定局限性。一方面，果园道路区域通常受到树冠遮挡、阴影变化、强光反射、裸土背景和道路外冠层植被等因素影响，单纯依靠颜色阈值或植被指数容易出现误检和漏检。另一方面，果园道路具有明显的几何边界和作业约束属性，道路外绿色冠层和道路内杂草在图像中可能具有相似颜色特征，若不引入道路区域约束，容易将道路外绿色背景误判为道路内杂草。

3、此外，现有杂草识别方法多侧重于判断是否存在杂草或计算整体覆盖率，较少进一步分析道路内杂草的局部空间分布、斑块聚集程度和空间异质性。然而，在实际变量除草作业中，单一全局覆盖率难以反映道路内不同区域的作业强度差异。杂草在果园道路内往往呈现斑块化、聚集化和不均匀分布特征，不同局部区域的覆盖率、斑块数量和聚集程度会直接影响除草强度、药液需求、机械作业负荷和作业优先级。

4、因此，亟需提供一种面向果园道路区域的道路约束杂草空间量化与作业负荷评估方法，以在复杂光照、道路边界不规则和背景干扰条件下，实现道路内杂草稳定提取、空间结构量化和作业负荷综合评价，为果园变量除草和智能作业决策提供依据。

技术实现思路

1、本技术的目的在于提供一种面向果园道路区域的杂草空间量化与作业负荷评估方法，旨在解决现有技术中果园道路杂草识别容易受到道路外绿色背景、阴影、土壤纹理和复杂光照影响，且难以进一步表征道路内杂草空间分布和作业复杂度的问题。该方法能够在道路区域约束下稳定提取道路内杂草目标，并结合实际道路边界构建几何自适应网格，从而实现杂草覆盖率、空间异质性、聚集程度和作业负荷的综合评估。

2、第一方面，本技术提供了一种面向果园道路区域的杂草空间量化与作业负荷评估方法，包括：

3、s1、实时采集果园道路前方场景图像；

4、s2、对所述果园道路前方场景图像进行基于绿色植被信息的图像增强处理，得到绿色植被候选区域；

5、s3、将所述果园道路前方场景图像输入基于yolov11构建的道路分割模型中，输出道路区域掩膜；

6、s4、基于所述道路区域掩膜对绿色植被候选区域进行道路约束筛选，并基于hsv色彩阈值和exg植被指数阈值提取道路内杂草候选区域；

7、s5、对所述道路内杂草候选区域进行形态学处理和连通域筛选，获得道路内杂草掩膜，并基于道路内杂草像素数与有效道路区域像素数计算全局杂草覆盖率；

8、s6、根据所述道路区域掩膜的实际边界构建几何自适应网格，并基于所述几何自适应网格计算网格单元覆盖率、空间异质性和聚集指数；

9、s7、根据所述全局杂草覆盖率、空间异质性和聚集指数获得作业负荷指数，输出果园道路区域杂草空间量化结果和作业负荷评估结果。

10、优选的，所述果园道路前方场景图像包括道路主体、道路内杂草、道路边界、两侧树冠背景、裸土区域、阴影区域和高反射区域。

11、优选的，对所述果园道路前方场景图像进行基于绿色植被信息的图像增强处理，得到绿色植被候选区域，包括：

12、s21、将果园道路前方场景图像转换至lab颜色空间，并对亮度通道进行对比度受限自适应直方图均衡化处理；

13、s22、将均衡化处理后的图像转换至hsv颜色空间，并对饱和度通道和值通道进行增益调整；

14、s23、基于rgb通道计算exg植被指数，exg植被指数exg=2g-r-b，其中，r、g、b分别表示果园道路前方场景图像的红色通道、绿色通道和蓝色通道的灰度值；

15、s24、基于exg植被指数采用阈值分割方法获得初始绿色植被候选区域，并通过形态学开运算和闭运算对初始绿色植被候选区域进行规整化处理，得到绿色植被候选区域。

16、优选的，阈值分割方法选用otsu算法或预设阈值。

17、优选的，所述基于yolov11构建的道路分割模型包括在yolov11模型的关键特征层中引入squeeze-and-excitation通道注意力机制。

18、优选的，s4包括：

19、s41、将道路区域掩膜重采样至与果园道路前方场景图像相同的空间分辨率；

20、s42、基于hsv色彩阈值对绿色植被候选区域进行提取获得第一杂草候选掩膜；

21、s43、基于exg植被指数阈值对绿色植被候选区域进行提取获得第二杂草候选掩膜；

22、s44、将道路区域掩膜、第一杂草候选掩膜和第二杂草候选掩膜进行交集运算，得到道路内杂草候选区域。

23、优选的，s5包括：

24、s51、采用椭圆结构元素对道路内杂草候选区域进行形态学开运算，以去除孤立噪声点；

25、s52、对进行形态学开运算的道路内杂草候选区域进行形态学闭运算，以填补杂草斑块内部小孔洞并增强斑块连通性；

26、s53、基于连通域面积阈值去除面积小于预设阈值的无效小斑块，得到最终道路内杂草掩膜，，其中，

γ( )表示形态学开运算，

φ( )表示形态学闭运算，

ψ( )表示基于预设阈值的噪声去除操作；

27、s54、计算全局杂草覆盖率，，其中，

n

weed表示道路内杂草像素数，

n

road表示有效道路区域像素数，为全局杂草覆盖率。

28、优选的，根据所述道路区域掩膜的实际边界构建几何自适应网格包括：首先提取道路区域掩膜的左右边界；然后沿道路纵向方向将道路区域划分为多个纵向带状单元；对于每一个纵向带状单元，根据该纵向带状单元内道路左右边界确定有效道路宽度；再按照预设横向比例将有效道路宽度划分为多个横向网格单元，由此得到与道路实际几何边界一致的几何自适应网格。

29、优选的，作业负荷指数，其中，a、b、c分别表示全局杂草覆盖率、变异系数和聚集指数的权重系数，且，为全局杂草覆盖率，为变异系数，

ai为聚集指数。

30、另一方面，本技术还提供了一种面向果园道路区域的杂草空间量化与作业负荷评估系统，包括：

31、图像采集模块，用于实时采集果园道路前方场景图像；

32、绿色植被增强模块，用于对所述果园道路前方场景图像进行基于绿色植被信息的图像增强处理，得到绿色植被候选区域；

33、道路区域分割模块，用于将所述果园道路前方场景图像输入基于yolov11构建的道路分割模型中，输出道路区域掩膜；

34、道路约束杂草提取模块，用于基于所述道路区域掩膜对绿色植被候选区域进行道路约束筛选，并基于hsv色彩阈值和exg植被指数阈值提取道路内杂草候选区域；

35、杂草基础量化模块，用于对所述道路内杂草候选区域进行形态学处理和连通域筛选，获得道路内杂草掩膜，并基于道路内杂草像素数与有效道路区域像素数计算全局杂草覆盖率；

36、几何自适应网格构建模块，用于根据所述道路区域掩膜的实际边界构建几何自适应网格，并基于所述几何自适应网格计算网格单元覆盖率、空间异质性和聚集指数；

37、作业负荷评估模块，用于根据所述全局杂草覆盖率、空间异质性和聚集指数获得作业负荷指数，输出果园道路区域杂草空间量化结果和作业负荷评估结果。

38、与现有技术相比，本技术具有以下有益效果：

39、第一，本技术通过绿色植被增强处理，提高了果园道路场景中绿色杂草目标与裸土、阴影、高反射区域及其他非绿色背景之间的可分性，增强了后续杂草候选区域提取的稳定性。

40、第二，本技术通过基于yolov11构建的道路分割模型获得道路区域掩膜，并将道路区域掩膜作为杂草提取的空间约束，能够减少道路外冠层植被和背景绿色目标造成的误检。

41、第三，本技术采用hsv色彩阈值和exg（过量绿度指数）植被指数阈值联合提取道路内杂草候选区域，能够兼顾大面积绿色杂草区域和小尺度碎片化杂草斑块，提高道路内杂草识别的完整性。

42、第四，本技术根据道路实际边界构建几何自适应网格，避免了传统矩形网格与果园道路透视形态不匹配的问题，能够更准确地反映道路内杂草的局部空间分布特征。

43、第五，本技术通过全局杂草覆盖率、网格单元覆盖率、空间异质性、聚集指数和作业负荷指数对道路内杂草进行多尺度量化，能够为变量除草、作业强度分配和智能作业决策提供数据依据。

44、本技术的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可以通过在说明书以及附图中所指出的结构和流程来实现和获取。