[论文解读] Deep Learning Techniques for In-Crop Weed Identification: A Review

Kun Hu, Zhiyong Wang+7 more|arXiv (Cornell University)|Mar 27, 2021

Smart Agriculture and AI参考文献 81被引用 14

一句话总结

本综述系统总结了大规模谷物生产中作物内杂草识别的深度学习最新进展，评估了YOLO和U-Net等模型架构在图像分类、目标检测、语义分割和实例分割任务中的表现。研究识别出实际部署中的关键挑战，如模型鲁棒性、数据稀缺性和计算效率，并指出弱监督学习、可解释AI以及增量学习在实现可扩展、高精度杂草控制方面的潜在机遇。

ABSTRACT

Weeds are a significant threat to the agricultural productivity and the environment. The increasing demand for sustainable agriculture has driven innovations in accurate weed control technologies aimed at reducing the reliance on herbicides. With the great success of deep learning in various vision tasks, many promising image-based weed detection algorithms have been developed. This paper reviews recent developments of deep learning techniques in the field of image-based weed detection. The review begins with an introduction to the fundamentals of deep learning related to weed detection. Next, recent progresses on deep weed detection are reviewed with the discussion of the research materials including public weed datasets. Finally, the challenges of developing practically deployable weed detection methods are summarized, together with the discussions of the opportunities for future research.We hope that this review will provide a timely survey of the field and attract more researchers to address this inter-disciplinary research problem.

研究动机与目标

• 系统性回顾基于图像的深度学习技术在大规模谷物生产系统中杂草检测的应用。
• 分析深度学习架构（如YOLO、U-Net）在不同杂草识别任务中的性能与适用性。
• 评估现有公开杂草数据集及基准指标，以评估数据质量与可扩展性。
• 识别在真实农业环境中部署深度学习模型的关键挑战，包括鲁棒性与计算效率。
• 探索新兴学习范式——弱监督学习、可解释AI与增量学习——作为实现可扩展、实用杂草识别系统的技术路径。

提出的方法

• 调研了30余篇基于深度学习的杂草识别研究，按任务类型（图像分类、目标检测、语义分割、实例分割）进行分类。
• 回顾了基础深度学习架构（如VGG、ResNet、YOLO、U-Net）及其在杂草检测任务中的适应性改进。
• 通过物种数量、图像多样性、生长阶段及环境条件等维度评估公开杂草数据集，以识别数据局限性。
• 讨论了mAP、IoU和F1-score等评估指标在杂草检测模型基准测试中的应用。
• 探索了先进学习技术：弱监督学习（使用图像级别标签）、可解释AI（XAI）以提升模型透明度，以及增量学习以在不重新训练的情况下添加新杂草种类。
• 提出模型效率与实时推理能力对田间部署至关重要，尤其在移动或机器人平台中。

实验结果

研究问题

• RQ1 在复杂作物内环境中，哪些深度学习架构在不同杂草识别任务（分类、检测、分割）中表现最优？
• RQ2 当前公开杂草数据集在多样性、规模及对真实田间条件的代表性方面如何比较？
• RQ3 在实时田间杂草识别中，部署深度学习模型的关键性能瓶颈是什么？
• RQ4 弱监督学习、可解释AI与增量学习技术如何提升杂草检测系统的可扩展性与适应性？
• RQ5 大规模、多样化数据集在提升基于深度学习的杂草识别模型鲁棒性与泛化能力方面发挥何种作用？

主要发现

• 基于YOLO和U-Net的深度学习模型在目标检测与实例分割任务中表现优异，在受控环境下mAP值超过90%。
• AgroAVNET模型通过增量学习在12种杂草上达到91.35%的准确率，与全量重训练的93.64%相比，证明了极小重训量下的可行性。
• 大多数公开杂草数据集在规模与多样性上受限，通常仅涵盖少数杂草种类及特定生长阶段或光照条件。
• 语义分割与实例分割模型在选择性杂草控制中精度更高，但相比分类或检测模型需要更多计算资源。
• 增量学习可在不存储旧训练数据的前提下扩展模型以识别新杂草种类，有效应对可扩展性与存储限制。
• 可解释AI与弱监督学习可减少标注负担并提升模型透明度，有助于在农业应用中建立信任与采纳。