学术中心
深度学习（DL）已成为人工智能（AI）关键子领域之一，它正在将杂草检测转化为特定地点的杂草管理（SSWM）。在过去五年中，DL技术已经与地面以及空中技术相结合，以在静止图像环境和实时环境中识别杂草。在观察了当前基于DL的杂草检测研究趋势后发现，相关检测技术正在通过协助精确除草技术做出明智决定而不断进步。因此，本文的目的是对基于DL的杂草检测技术和可用于SSWM的技术进行系统综述。为了完成这项研究，本文进行了一项全面的文献调查，包括60篇最接近的基于DL的杂草检测技术论文。主要总结如下：a）迁移学习方法是大多数研究工作中广泛采用的解决杂草检测的技术，b）较少关注放在定制设计专用的神经网络开展杂草检测任务，c）基于部署在测试数据集上的预训练模型，没有一个特定的模型能够在与几个研究有关的多现场图像上取得高精确度，d）在具有有限数量数据集的资源受限边缘设备上推断DL模型是滞后的，e) 不同版本的YOLO（主要是v3）是一个被广泛用于检测实时场景中杂草的模型，f) SegNet和U-Net模型已经被用来完成多光谱图像的语义分割任务，g) 使用无人机获取的开源杂草图像数据集数量较少，h) 在探索航空图像中杂草识别的优化和泛化技术方面缺乏研究，i) 需要探索在训练或推理过程中消耗较少训练时间、低功耗和较少参数的模型设计方式研究，以及j) 基于领域适应方法的模型优化进展缓慢。总之，本综述将帮助研究人员、DL专家、杂草科学家、农民和技术推广专家获得用于SSWM的DL技术和技术领域的最新信息。
图1 本综述布局流程图。
图2 使用DL进行杂草检测的已发表技术文章趋势（2011–2021）。
图3 可用于杂草图像采集的传感器。
图4 基于 CNN 模型的基本结构。
图5 在RGB色彩空间（a，b）和高光谱图像（c，d）中看到的野草分类。
图6 使用计算机视觉技术执行田间除草任务的商用机器人。
图7 由田间除草机器人完成的杂草检测。
图8 带传感器的无人机用于采集杂草图像。
图9 使用无人机系统获取的图像进行杂草检测。
图10 无人机定点喷洒。
Rai N, Zhang Y, Ram B G, et al. Applications of deep learning in precision weed management: A review[J]. Computers and Electronics in Agriculture, 2023, 206: 107698.
https://doi.org/10.1016/j.compag.2023.107698
编辑
扩展阅读
扫二维码用手机看
推荐新闻
发布时间 : 2022-11-13 07:26:55
发布时间 : 2022-05-20 11:45:57
发布时间 : 2022-05-13 10:56:43
视频展示
专题报道
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874、18600875228
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯
慧诺瑞德（北京）科技有限公司版权所有 京ICP备15043840号 网站建设：中企动力 北二分 法律声明