综述：基于无人机影像深度学习的杂草检测研究进展

这篇综述系统回顾了2017-2024年77项研究，探讨了无人机（UAV）结合深度学习（DL）在农业杂草检测中的应用，重点分析了多旋翼无人机（如DJI Phantom）、多光谱传感器（MS）与卷积神经网络（CNN）、Transformer等架构的整合趋势，以及精准农业（PA）中目标检测（如YOLOv8）、语义分割（U-Net）和实例分割（Mask R-CNN）技术的性能指标（mAP、F1-Score）。

　　

无人机与传感器：农业监测的技术革命

无人机（UAV）凭借灵活的低空飞行能力，已成为农业监测的核心工具。多旋翼机型（如DJI Phantom占比47%）因垂直起降优势占据主流，而固定翼机型则适用于大范围作业。传感器选择上，RGB相机（71%研究采用）因成本低、分辨率高被广泛使用，但多光谱（MS）和热成像（如MicaSense RedEdge）能通过NDVI等植被指数提升杂草识别率。飞行高度10米、速度1-4.8 m/s的设定可平衡分辨率（0.2-8 cm/像素）与覆盖效率，正午拍摄能减少阴影干扰。

数据挑战：从标注到增强

标注工具LabelImg（32.5%使用率）虽简化了边界框标注，但像素级标注仍需10小时/图像。数据增强（旋转、色彩调整）和合成数据生成（GANs）成为解决样本不足的关键策略。公开数据集仅32个，且存在作物单一（玉米、甜菜占22%）和地域局限（中国、德国占45%）的问题，推动混合数据集和迁移学习成为趋势。

深度学习架构：从CNN到Transformer

分类任务：ResNet-18凭借残差连接和轻量化特性（94%准确率）成为首选，而Vision Transformer（ViT）在跨生长阶段识别中展现潜力。
检测任务：YOLO系列（如v8n）以91.1%精度和86.7%召回率领先，其单阶段检测架构适配实时喷洒系统。
分割任务：U-Net的跳跃连接结构在语义分割中表现优异（89.95%像素准确率），而Mask R-CNN通过双分支设计实现实例级杂草定位。

性能评估与硬件瓶颈

mAP和F1-Score是主流评估指标，但类不平衡场景下需结合ROC曲线分析。训练依赖高端GPU（如NVIDIA RTX 3090），而边缘设备Jetson AGX Xavier可实现田间实时处理（30 FPS）。当前局限包括计算成本高（如Transformer）、标注偏差（人工错误率15%）及环境动态性（光照变化影响20%精度）。

未来方向：轻量化与系统集成

开发轻量模型（如MobileViT）、优化多传感器融合（RGB+LiDAR）和探索自主喷洒机器人是突破重点。无人机群协同作业与抗遮挡算法（如注意力机制CBAM）将进一步提升复杂场景下的鲁棒性，推动精准农业（PA）迈向全自动化管理。