综述：基于无人机影像与人工智能技术的杂草测绘研究现状与挑战

这篇综述系统梳理了无人机(UAV)影像结合机器学习(ML)/深度学习(DL)技术在农田杂草识别领域的研究进展，重点分析了传统特征提取方法（如光谱反射率、纹理特征）与DL多尺度特征学习的优劣，并指出实时嵌入式识别系统与多光谱通道应用是未来智能除草系统发展的关键方向。?符号保留原格式。

　　

Abstract

尽管无人机(UAV)拍摄的农田杂草识别准确率已突破90%，但实现实时自动识别的嵌入式系统仍面临挑战。本文通过系统综述发现：传统方法聚焦于光谱反射、纹理和几何特征提取以提升分类器性能，其中非可见光谱通道应用呈明显趋势；而深度学习方法凭借直接从图像中提取多尺度特征的能力，在杂草种类鉴别方面展现出显著优势。

Graphical Abstract

深度学习架构能学习不同尺度的信息，特别适用于可见光与非可见光波段的新型特征提取技术。研究证实，这种技术可有效区分杂草物种，为精准农业中的定点除草(herbicide application)提供新思路。

方法论比较

• •

  经典方法：依赖人工设计特征，如归一化植被指数(NDVI)和灰度共生矩阵(GLCM)，但受限于环境光照变化

• •

  DL方法：卷积神经网络(CNN)通过端到端训练自动提取特征，ResNet架构在复杂背景下识别杂草的F₁-score达92.3%

现存挑战

1. 1.

   实时处理：现有模型参数量大，难以部署在机载边缘计算设备

2. 2.

   数据稀缺：特定作物-杂草组合的标注样本不足

3. 3.

   多光谱融合：可见光(RGB)与近红外(NIR)通道的特征协同优化仍需探索

未来方向

开发轻量化网络模型（如MobileNetV3）与增量学习结合，构建适应不同生长周期的动态识别系统。? 2025年数据表明，该领域研究正向实时杂草测绘与精准变量施药系统发展。

CONFLICTS OF INTEREST

作者声明无利益冲突。