《Frontiers in Plant Science》：Deep learning–based approaches for weed detection in crops
编辑推荐：
本综述系统梳理了深度学习在杂草检测领域的最新进展，重点分析了目标检测（YOLO、Faster R-CNN）、图像分割（U-Net、DeepLab系列）和图像分类（ResNet、Vision Transformer）三大技术路径。文章深入探讨了各方法在空间定位精度、像素级分割效果、计算效率与模型泛化能力方面的优劣，并针对数据集稀缺、标注成本高、杂草形态多变等核心挑战提出了创新解决方案。通过结合半监督学习、间接检测和感知-执行器集成策略，为下一代智能除草系统的开发提供了重要技术路线图。
1 引言
杂草作为全球作物生产中最具破坏性的生物胁迫因素，通过与作物竞争光照、水分、养分和空间资源，导致作物产量和品质显著下降。传统除草方式存在农药过量使用、生态环境污染等问题，而精准农业的发展对杂草识别技术提出了更高要求。深度学习技术凭借其自动特征提取和强抗干扰能力，正逐步取代依赖手工特征的传统机器视觉方法，成为智能杂草管理的核心驱动力。
2 基于深度学习的杂草检测方法
2.1 深度学习模型分类
当前主流深度学习模型可分为三大类别：目标检测模型能够同时定位和分类杂草，其中双阶段检测器（如Faster R-CNN）精度较高但计算复杂，单阶段检测器（如YOLO系列）则更适合实时应用；图像分割模型可实现像素级分类，语义分割（如U-Net）能精确勾勒杂草形状，实例分割（如Mask R-CNN）还可区分不同杂草个体；图像分类模型（如ResNet、Vision Transformer）专注于图像级别的类别判断，虽无法直接定位，但通过网格化处理也能获得近似定位效果。
2.2 目标检测技术的实践应用
在稻田杂草检测中，YOLOX-tiny模型结合CSPDarknet与特征金字塔网络（FPN），在幼苗期高密度小目标场景下表现出最优的准确性与计算效率。研究表明，基于深度学习的目标检测技术可使除草剂喷洒面积减少至田间的30%，同时覆盖93%的杂草区域，显著提升农药利用率。
2.3 图像分割技术的精细刻画
通过融合可见光颜色指数与编码器-解码器结构，研究人员开发出能抵抗光照变化的实例分割模型。其中ResNet101v与空洞空间金字塔池化（DSASPP）的组合结构，在多尺度特征提取和边界分割方面表现突出，在田间试验中达到0.905的准确率和0.959的交并比（IoU）。
2.4 分类模型的适配创新
针对分类模型缺乏空间定位能力的特点，研究者提出网格化分类策略：将田间图像划分为多个子区域，对每个网格独立进行分类以实现粗粒度定位。这种方法在保持模型轻量化的同时，为无人机等边缘设备部署提供了可行方案。
3 技术挑战与解决方案
3.1 数据标注瓶颈突破
当前主要通过间接检测和半监督学习两种路径降低标注依赖。间接检测通过识别作物区域反推杂草位置，仅需标注作物数据；半监督学习则利用大量未标注图像生成伪标签，通过一致性正则化提升模型泛化能力。
3.2 感知-执行器协同设计
不同模型与除草执行器的集成方式存在显著差异：目标检测的边界框可直接指导喷雾喷嘴触发，分割模型的像素级轮廓能为机械臂提供运动轨迹规划依据。实际部署需综合考虑硬件算力、通信延迟与机械响应特性，通过坐标变换、运动预测等模块实现精准控制。
3.3 多策略智能除草体系
未来除草系统将呈现多元化整合趋势：行间区域采用自动化机械除草，行内区域则结合深度学习定位实施精准化学除草。通过无人机航拍生成处方图，引导地面除草机器人执行定点处理，形成"感知-决策-执行"的闭环智能管理方案。
4 结论
深度学习技术通过三大模型家族为杂草检测提供了不同精度的解决方案，但其广泛应用仍受限于标注成本、计算资源和跨区域泛化能力。未来发展方向包括数据高效学习、感知-执行器协同优化以及空地一体化智能除草系统，这些进步将推动农业生产向更精准、可持续的方向发展。
