深度学习在精准杂草管理中的应用:综述


发布时间:

2023-03-21

来源:

植物表型资讯

作者:

PhenoTrait

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。

 
 
来 源

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

小王博士在努力
 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。