综述：基于深度学习的杂草分类、检测与分割在精准农业中的应用：一篇文献计量学与综合性综述

《Journal of Crop Health》：Deep Learning-Based Weed Classification, Detection, and Segmentation in Precision Agriculture: a Bibliometric and Comprehensive Review

　　

摘要

杂草是主要的生物胁迫因素之一，导致农业生产中的产量和质量大幅下降。传统杂草控制方法的局限性增加了对更精确、高效和可持续的杂草管理策略的需求。深度学习的最新进展显著提高了杂草分类、检测和分割的准确性，从而推动了智能精准农业应用的发展。本研究对2015年至2025年间发表的基于深度学习的杂草分类、检测和分割研究进行了全面的文献计量学和批判性回顾。从Web of Science核心 colección中检索到845篇出版物，分析了出版趋势、主要国家/机构、合作网络和新兴研究主题。该数据集包含22,746次引用，H指数为71，体现了这一研究领域的快速发展和科学影响力。中国、美国和印度被确定为该领域的主要贡献者；关键词共现和主题演变分析显示，研究方向正从传统的图像分析转向深度学习、计算机视觉、自主系统和精准杂草管理。文献回顾显示，技术进展从基于传统卷积神经网络（CNN）的方法发展为更先进的架构，包括ResNet、DenseNet、EfficientNet、YOLO、U-Net、DeepLabV3+、基于transformer的模型以及混合框架。这些进展通过支持特定地点的杂草管理、变量速率除草剂施用、机器人杂草控制、基于无人机（UAV）的监测和决策支持系统等功能，显著提升了智能杂草管理的水平。然而，数据集多样性有限、模型泛化能力挑战、计算复杂性以及在各种实际条件下性能受限等问题仍然是实际应用的主要障碍。本综述强调，未来的研究应优先考虑轻量级且可解释的人工智能模型、大规模基准数据集、多模态传感技术、强大的现场验证以及可自主部署的系统，以提高智能杂草管理的可靠性、可扩展性和可持续性。