综述：基于近感图像的农田杂草识别与控制的深度学习进展：最新研究综述

本综述系统探讨了深度学习（DL）在真实农田环境下基于近感图像的杂草识别应用，重点分析了349篇相关研究。文章详细阐述了分类、检测与分割网络的进展，归纳了34个公开数据集及模型开发流程，特别关注了YOLO、ResNet和UNet等主流架构的实战表现。作者指出当前模型面临泛化能力不足的挑战，并强调了数据集多样性和实时部署中的光照、速度约束问题，为智能除草装备的优化提供了关键洞见。

　　

1. 引言

杂草对全球粮食安全构成严重威胁，可导致玉米减产高达90%，小麦减产47%，菜豆减产71.4%。传统除草方法包括人工、机械和化学手段，但均存在局限性：人工除草效率低下，机械除草仅能清除50%的杂草且难以处理作物行内杂草，而化学除草虽有效却易造成环境污染。据统计，98.9%的农产品含有农药残留，欧盟等国已开始立法限制除草剂使用。

在此背景下，定点杂草管理（SSWM）技术应运而生。该技术通过智能装备（如搭载激光、高压电或机械臂的自动驾驶车辆）实现精准除草，可比传统方法减少45%-82%的除草剂用量。然而，SSWM的成功关键在于准确区分作物与杂草，而传统传感器（如光谱仪、超声波传感器）仅能检测绿色植物，无法区分物种。尽管图像分析技术通过颜色指数和形态特征实现了初步区分，但在杂草密度高或作物与杂草形态相似时性能显著下降。

深度学习（DL）的出现彻底改变了这一局面。自2012年AlexNet在ImageNet挑战赛中突破性表现以来，卷积神经网络（CNN）、YOLO系列目标检测框架以及Transformer模型相继被应用于杂草识别。这些模型能够自动学习多层次特征，在复杂农田环境中实现高效识别。然而，当前大多数模型仍在受控环境或小数据集上训练，难以应对真实农田的多样性挑战——包括杂草物种、生长阶段、密度、光照条件和土壤背景的剧烈变化。

1.1. 研究动机

农业系统分为灌溉农业和雨养农业。灌溉系统占全球耕地的24%，生产40%的粮食，适合使用苗前除草剂，但作物冠层会遮挡下层杂草。雨养系统则因缺乏土壤湿度较少使用苗前除草剂，导致作物与杂草同期生长，特征相似且密度高，极大增加了识别难度。

现有数据集大多未能涵盖真实农田的全部变异性，尤其缺乏高密度样本。研究表明，在背景变化或光照增强时，模型性能明显下降。尽管已有大量综述探讨DL在杂草识别中的应用，但多数聚焦于算法本身，缺乏对实地部署挑战的系统分析。本综述旨在填补这一空白，重点关注基于近感图像的DL模型开发流程及其在智能除草装备上的实战表现。

2. 方法论

本研究系统检索了2015-2025年间发表的867篇文献，最终筛选出349篇符合标准的研究（103篇分类、152篇检测、94篇分割）。文献来源包括Elsevier、Springer、IEEE Xplore等权威数据库，检索关键词涵盖“杂草分类”、“深度学习”、“智能除草”等组合。筛选标准聚焦于：①使用真实农田数据集；②基于近感图像（RGB、多光谱或RGB-D）；③涉及模型部署与田间评估。

数据分析显示，2016-2019年间相关研究较少，2023年达到高峰（平均26.4篇），2024年数量下降46.6%。YOLO系列在目标检测中占比53.48%，ResNet和VGG是分类任务的主流选择，UNet则主导分割任务。

2.1. 作物-杂草识别基础

杂草识别任务分为三类：

• •

  分类：对单株植物图像进行物种标注，适用于分离良好的植株，但无法提供空间位置信息。

• •

  检测：通过边界框定位并分类图像中的多个物体，可同时实现物种识别和位置标定。

• •

  分割：对每个像素进行分类（语义分割），能精确区分重叠植株，但计算复杂度较高。

3. 结果

3.1. 数据采集与准备

图像采集设备包括无人机（如大疆Mavic Pro+Parrot Sequoia多光谱相机）、田间机器人（如BoniRob）、全地形车和手持设备（智能手机）。图像类型涵盖RGB（占比最高）、多光谱和RGB-D（如Intel RealSense D415）。为增强模型鲁棒性，数据集需包含不同时间、天气条件和植物密度的样本。雨后或阴天时植物颜色更易区分，而运动模糊和灰尘干扰可通过视频抽帧模拟。

公开数据集共34个（详见表1），代表性数据包括：

• •

  大豆杂草数据集（15,336张图像，分类）

• •

  植物幼苗数据集（960张图像，含玉米、小麦和甜菜）

• •

  甜菜与杂草多光谱数据集（12,340张图像，支持分类、检测和分割）

数据标注使用LabelMe、LabelImg等工具，高密度样本需半自动标注（如先通过颜色指数分割植被，再经CNN分离作物与杂草）。数据增强技术包括翻转、旋转、亮度调整，以及生成对抗网络（GAN）生成合成图像。

3.2. 模型训练流程

训练阶段包含图像预处理、架构选择和评估：

• •

  预处理：图像缩放常见尺寸为64×64、224×224、512×512像素，更大尺寸（704×704）可提升性能但增加计算负担。背景去除（如通过NDVI指数）和图像增强（高斯滤波、直方图均衡化）能提高模型专注度。

• •

  多模态融合：结合RGB、深度信息和多光谱数据，或融合不同网络的特征图，能显著提升识别精度。

• •

  训练配置：数据集通常按7:2:1或6:2:2划分训练、验证和测试集。硬件多采用GPU加速训练。

3.3. 识别任务实战表现

分类任务：ResNet和VGG系列最常用（分别占比15.17%和15.63%），Transformer应用较少（ViT仅3次）。玉米、大豆和甜菜是研究最集中的作物（图9）。最佳模型在二分类任务中准确率达98.7%，但多物种场景下性能下降。

检测任务：YOLO系列占主导（53.48%），Faster R-CNN占11.39%。注意力机制改进版（如SE-YOLOv5）在生菜杂草检测中mAP₅₀达97.1%。棉花、玉米和大豆是主要应用场景（图10），但高密度和小目标检测仍是挑战。

分割任务：UNet（22%）、DeepLabV3（13.44%）和SegNet（10.75%）为主流。Transformer模型（Swin Transformer、SegFormer）虽性能优异但应用较少。甜菜、胡萝卜和水稻数据集评估显示，最佳mIoU达92.91%（自定义UNet变体）。注意力机制与CNN的融合架构在低光照条件下表现突出。

3.4. 智能除草装备部署

26项研究实现了模型部署（表5），装备分为：

• •

  智能喷雾机（SS）：占比最高，搭载NVIDIA Jetson系列开发板， herbicide节省35%-65%。

• •

  激光除草机（SLW）：使用RGB-D相机（如RealSense D435i），除草效率72.8%。

• •

  机械除草机（SMW）：通过机械臂或锄刀作业，幼苗损伤率2.8%。

关键挑战包括：

• •

  光照影响：强光照导致识别率下降，阴天性能最佳。

• •

  行进速度：速度超过1.8 km/h时识别准确率显著降低。

• •

  推理速度：嵌入式设备帧率仅6.89-43 FPS，难以满足实时需求。

• •

  振动干扰：影响图像质量和执行器对准精度。

4. 讨论与展望

当前研究存在四大局限：

1. 1.

   数据集代表性不足：样本量小、物种少、生长阶段单一，导致模型泛化能力弱。雨养系统的高密度场景尤其缺乏数据。

2. 2.

   环境适应性差：光照、土壤颜色和营养状况变化显著影响模型性能。

3. 3.

   部署瓶颈：设备振动、行进速度和计算资源限制实战效果。

4. 4.

   评估标准不统一：各研究采用不同指标，难以横向对比。

未来方向包括：

• •

  建立全球协作的农田图像数据库，涵盖多物种、多生长阶段和多环境条件。

• •

  探索IoT架构，将计算任务卸载到云端高性能服务器。

• •

  开发持续学习模型，适应地域和季节变化。

• •

  标准化田间评估指标，区分化学、激光和机械控制方式。

5. 结论

深度学习在杂草识别领域已取得显著进展，但真实农田应用仍面临重大挑战。数据集多样性不足、环境变异性以及部署中的物理约束是主要瓶颈。通过构建更丰富的数据资源、优化边缘计算能力、统一评估标准，DL驱动的智能除草系统有望成为可持续农业的核心技术。未来需跨学科合作，将算法创新与农艺实践深度融合，最终实现高效、环保的杂草治理。