深度學(xué)習(xí)在雜草識(shí)別領(lǐng)域的研究現(xiàn)狀與展望*

李東升，胡文澤，蘭玉彬, 2，范明洪，李翠云，朱俊科

(1. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東淄博，255000； 2. 山東省農(nóng)業(yè)航空智能裝備工程技術(shù)研究中心，山東淄博，255000)

0 引言

據(jù)統(tǒng)計(jì)我國田園雜草有1 454種，其中對(duì)作物有嚴(yán)重危害的雜草有130多種[1]。雜草會(huì)和作物爭(zhēng)奪生存資源[2]，全國每年因雜草造成主要糧食作物損失約3 000 kt[3]，目前解決雜草問題的方法可分為生物、物理和化學(xué)除草[4]，化學(xué)除草因具有簡(jiǎn)便高效的優(yōu)點(diǎn)被人們廣泛使用，但化學(xué)除草劑的不規(guī)范使用對(duì)作物、土壤環(huán)境等也造成一定的污染。雖然現(xiàn)在國家高度重視農(nóng)藥的使用和殘留問題，但是市面上依舊可能出現(xiàn)農(nóng)藥超標(biāo)的現(xiàn)象[5]，而精準(zhǔn)農(nóng)業(yè)或數(shù)字農(nóng)業(yè)可以提供緩解這些問題的策略[6-7]。國內(nèi)外很多學(xué)者[8]都在研究如何實(shí)現(xiàn)精準(zhǔn)化，不僅僅是用量精準(zhǔn)化還要目標(biāo)精準(zhǔn)化，因此針對(duì)雜草的識(shí)別[9]并應(yīng)用于自動(dòng)化精準(zhǔn)除草是未來農(nóng)業(yè)發(fā)展必須要走的一步。深度學(xué)習(xí)可在農(nóng)業(yè)生產(chǎn)的各個(gè)方面促進(jìn)生產(chǎn)效率。例如品種鑒定，作物部位和果實(shí)識(shí)別，作物及雜草檢測(cè)與分類，作物表型及病蟲害檢測(cè)等都是當(dāng)下研究的熱門，另外動(dòng)物面部、行為識(shí)別也在新興起來可見其在農(nóng)業(yè)領(lǐng)域的廣泛應(yīng)用[10-11]。本文對(duì)國內(nèi)外文獻(xiàn)中深度學(xué)習(xí)在雜草識(shí)別領(lǐng)域相關(guān)的應(yīng)用研究進(jìn)行了總結(jié)歸納，對(duì)現(xiàn)有技術(shù)方法進(jìn)行分析，提出了一些具有實(shí)際價(jià)值的建議，為后續(xù)的研究工作提出了看法。

1 深度學(xué)習(xí)原理及特征

機(jī)器學(xué)習(xí)是機(jī)器通過大量數(shù)據(jù)尋找某種規(guī)律，不斷擬合當(dāng)前數(shù)據(jù)來推算出某種模型，用以預(yù)測(cè)未來數(shù)據(jù)或者分類當(dāng)前數(shù)據(jù)的機(jī)器運(yùn)算方法。機(jī)器學(xué)習(xí)按照目前廣泛認(rèn)可的分類方式，可以根據(jù)處理數(shù)據(jù)方式，訓(xùn)練樣本及反饋方式的不同，將機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)[12]和強(qiáng)化學(xué)習(xí)3種類型[13]。監(jiān)督學(xué)習(xí)是目前主要的研究方向，常用于解決分類和回歸問題，監(jiān)督學(xué)習(xí)典型的算法有反向神經(jīng)網(wǎng)絡(luò)(BP)、支持向量機(jī)(SVM)、k近鄰法(KNN)、樸素貝葉斯(NB)、隨機(jī)森林(RF)，部分深度學(xué)習(xí)算法。深度學(xué)習(xí)是人們?cè)跈C(jī)器學(xué)習(xí)以及對(duì)人類神經(jīng)元了解的基礎(chǔ)上從簡(jiǎn)單的淺層神經(jīng)網(wǎng)絡(luò)(如BP神經(jīng)網(wǎng)絡(luò))到復(fù)雜的深層神經(jīng)網(wǎng)絡(luò)(如卷積神經(jīng)網(wǎng)絡(luò))數(shù)據(jù)處理方法，通過對(duì)采集到的大量數(shù)據(jù)進(jìn)行特征學(xué)習(xí)得出高層次的特征規(guī)律從而對(duì)目標(biāo)對(duì)象進(jìn)行分類或預(yù)測(cè)，屬于更高級(jí)的機(jī)器學(xué)習(xí)[14]。深度學(xué)習(xí)不用人工進(jìn)行數(shù)據(jù)特征提取(可以提取更高維度的可以被計(jì)算機(jī)識(shí)別的特征信息)，因此可以被廣泛應(yīng)用在不同領(lǐng)域。目前深度學(xué)習(xí)在計(jì)算機(jī)視覺、自然語言處理等領(lǐng)域展現(xiàn)出良好的發(fā)展前景也不斷被證明優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)[15]。深度學(xué)習(xí)常見的網(wǎng)絡(luò)有如：深層信念網(wǎng)絡(luò)(DBN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、生成式對(duì)抗網(wǎng)絡(luò)(GAN)、膠囊網(wǎng)絡(luò)(CapsNet)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等[16-17]，本節(jié)就常用于農(nóng)業(yè)信息采集的前三種網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單闡述。

2006年Hinton等[18]提出深度信念網(wǎng)絡(luò)，由多層受限玻爾茲曼機(jī)(RBM)和一層分類器組合而成的一個(gè)概率生成模型，深層信念網(wǎng)絡(luò)(DBN)實(shí)際是由多層神經(jīng)元構(gòu)成，所以也可稱為隨機(jī)神經(jīng)網(wǎng)絡(luò)。鄧向武等[19]在自然背景下和不同光照條件下采集稻田的6種雜草(包括野慈姑、稗草等)圖像，提取雜草圖像的顏色、形狀、紋理特征等共101維特征為輸入特征向量，通過研究深度置信網(wǎng)絡(luò)層數(shù)，然后與SVM，BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)比，試驗(yàn)得出，研究改進(jìn)的DBN網(wǎng)絡(luò)模型識(shí)別率最高，而且彼此消耗的時(shí)間相差不明顯。生成對(duì)抗網(wǎng)絡(luò)(GAN)是由Goodfellow等[20]2014年基于零和博弈論提出的由生成器和判別器組成的，是在對(duì)抗訓(xùn)練過程中生成新模型的深度學(xué)習(xí)算法。可以根據(jù)拍攝的小樣本數(shù)據(jù)進(jìn)行對(duì)抗分析進(jìn)而生成海量且高質(zhì)量的圖像數(shù)據(jù)，這樣就能解決采集過程費(fèi)時(shí)費(fèi)力的問題。Fawakherji等[21]設(shè)計(jì)一套GAN網(wǎng)絡(luò)，通過將獲得的原圖像掩膜隨機(jī)生成噪聲掩膜數(shù)據(jù)然后再上采樣到原圖像大小實(shí)現(xiàn)生成器生成植物圖片，再插入原圖形成合成圖像，然后將最終生成的圖片輸入判別器進(jìn)行判斷。如圖1所示，可以看到生成對(duì)抗網(wǎng)絡(luò)生成出極為相似的圖像。卷積神經(jīng)網(wǎng)絡(luò)(CNN)[22]是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的改進(jìn)。主要包含數(shù)據(jù)輸入層，卷積層，激活函數(shù)層，池化層，全連接層，輸出層。由于其突出的特征提取能力被廣泛應(yīng)用于目標(biāo)檢測(cè)、圖像分割等領(lǐng)域。

圖1 通過在原始圖像中插入使用GAN生成的合成植物樣本與原圖像的不同F(xiàn)ig. 1 Difference between the original image and the synthetic one obtained by inserting in the original image a plant sample generated using the GAN

2 圖像目標(biāo)檢測(cè)與圖像語義分割

目標(biāo)分類識(shí)別通常是對(duì)已檢測(cè)到目標(biāo)對(duì)象的圖像進(jìn)行分類，或者判斷當(dāng)前圖像中是否存在目標(biāo)，并不能反映目標(biāo)的空間位置。目標(biāo)檢測(cè)是用來確定獲取圖像中的某個(gè)區(qū)域是否含有要識(shí)別的目標(biāo)，并對(duì)區(qū)域內(nèi)目標(biāo)進(jìn)行分類，輸出目標(biāo)的類別和區(qū)域邊框，即定位過程。圖像語義分割是圖像中目標(biāo)的像素標(biāo)簽化并歸為一類，對(duì)每一像素的區(qū)域進(jìn)行預(yù)測(cè)分類，但不能區(qū)分同一類物體，難以對(duì)同一物體進(jìn)行定位。

2.1 目標(biāo)檢測(cè)

當(dāng)前針對(duì)圖像信息提取的研究中諸如圖像分割、目標(biāo)跟蹤、目標(biāo)行為分析等都是以圖像中的目標(biāo)檢測(cè)為基礎(chǔ)的，目標(biāo)檢測(cè)包括分類(Classification)和定位(Location)兩方面。但是因?yàn)閭鹘y(tǒng)檢測(cè)算法的各個(gè)環(huán)節(jié)都有很難克服的問題，而隨著深度學(xué)習(xí)的逐漸發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)逐漸應(yīng)用在目標(biāo)檢測(cè)領(lǐng)域，以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型逐漸替換傳統(tǒng)目標(biāo)檢測(cè)模型的方法，進(jìn)入大眾的視野。目前，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法大致可分為兩種模式，即單階段(one-stage)模式和雙階段(two-stage)模式[23]。雙階段算法檢測(cè)精度較高，比較常用的檢測(cè)算法主要有R-CNN[24]、Fast R-CNN[25]、Faster R-CNN[26]。單階段算法也被稱作回歸分析目標(biāo)檢測(cè)算法。雖然精度不及Faster R-CNN，但是具有較好的實(shí)時(shí)性，比較常用的檢測(cè)算法主要有YOLO[27-28]和SSD[29]。

2.2 圖像語義分割

圖像分割[30-31]的過程也包括圖像預(yù)處理、特征提取、特征匹配識(shí)別等過程，基于深度學(xué)習(xí)的圖像分割一般可分為語義分割、實(shí)例分割和全景分割三種。在農(nóng)業(yè)領(lǐng)域較為常用的為語義分割和實(shí)例分割?；趫D像語義分割的方法來區(qū)分作物與雜草和獲得雜草覆蓋區(qū)域在精準(zhǔn)除草領(lǐng)域越來越受歡迎[32-35]。實(shí)例分割與目標(biāo)檢測(cè)類似，也可分為單階段和雙階段過程，但所閱文獻(xiàn)中均以雙階段實(shí)例分割Mask R-CNN[36](Faster R-CNN原型，增加了一個(gè)分支用于分割任務(wù))為主，故不過多描述。下節(jié)就國內(nèi)外研究者近幾年基于深度學(xué)習(xí)對(duì)主要的農(nóng)作物與雜草識(shí)別的研究進(jìn)展進(jìn)行綜述。

3 深度學(xué)習(xí)在作物雜草識(shí)別研究現(xiàn)狀

3.1 經(jīng)濟(jì)作物

3.1.1 蔬菜與雜草

我國是世界蔬菜生產(chǎn)消耗第一大國，蔬菜已經(jīng)成為我國農(nóng)業(yè)種植中僅次于糧食作物的第二大農(nóng)作物，解決由雜草導(dǎo)致的蔬菜產(chǎn)量下降問題十分重要[37]。

Osorio等[38]為了精確估算生菜雜草覆蓋度，拍攝數(shù)據(jù)集并設(shè)計(jì)了3種分別以SVM-HOG，YOLOv3，Mask R-CNN識(shí)別檢測(cè)算法為基礎(chǔ)的雜草提取算法，將檢測(cè)算法得出的被檢測(cè)作物轉(zhuǎn)化為二元掩模，并與NDVI背景減法器混合，以間接檢測(cè)雜草獲得雜草圖像，然后運(yùn)用經(jīng)典圖像處理方法計(jì)算雜草的覆蓋率，試驗(yàn)得出每種方法較人工計(jì)算準(zhǔn)確率都有不同程度的提高，而且指出每種檢測(cè)算法的最佳使用場(chǎng)景，為以后探究提供了新的思路。Gao等[39]使用尼康相機(jī)在不同照明條件下拍攝甜菜和雜草(打碗花)的圖像，并通過數(shù)據(jù)擴(kuò)張的形式，解決收集和標(biāo)簽的勞動(dòng)密集型和耗時(shí)問題，使用改進(jìn)的YOLO-tiny目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行測(cè)試，對(duì)比YOLOv3和傳統(tǒng)的YOLO-tiny網(wǎng)絡(luò)，結(jié)果表明改進(jìn)的YOLO-tiny目標(biāo)檢測(cè)網(wǎng)絡(luò)既能降低檢測(cè)速度也能保證準(zhǔn)確率。尚建偉等[40]以農(nóng)田信息采集機(jī)器人BoniRob采集甜菜與雜草圖像作為數(shù)據(jù)集，通過使用改進(jìn)的Res-UNet模型進(jìn)行圖像分割，識(shí)別準(zhǔn)確率達(dá)到了98.67%，高于UNet和SegNet具有較高的分割識(shí)別精度。喻剛等[41]提出將Mask R-CNN網(wǎng)絡(luò)應(yīng)用到幼苗期白菜和雜草的圖像識(shí)別中，與基于OTSU閾值分割對(duì)雜草進(jìn)行識(shí)別的方法對(duì)比，結(jié)果表明Mask R-CNN網(wǎng)絡(luò)達(dá)到較好的效果有81%的合格率。Espejo-Garcia等[42]使用少量番茄與雜草(龍葵)數(shù)據(jù)集，通過使用DCGAN網(wǎng)絡(luò)擴(kuò)張數(shù)據(jù)以及遷移學(xué)習(xí)的方法對(duì)識(shí)別算法提升精度，期間設(shè)計(jì)對(duì)比試驗(yàn)，從GAN、遷移學(xué)習(xí)參數(shù)、迭代次數(shù)、特征提取網(wǎng)絡(luò)等方面，不同搭配以選取最優(yōu)識(shí)別算法，得出使用Imagenet預(yù)訓(xùn)練，GAN-Xception識(shí)別算法效果最好，測(cè)試集上的F1為99.07%。

3.1.2 油料與雜草

油菜和向日葵是我國重要的食用油來源，其中油菜居油料作物之首，是我國種植地區(qū)分布最廣的油料作物。但在雜草會(huì)伴隨著油菜生長(zhǎng)一直存在，導(dǎo)致油菜籽產(chǎn)量下降約15.8%，情況嚴(yán)峻時(shí)可能減產(chǎn)一半以上[12, 43]。

張樂等[44]為自動(dòng)識(shí)別自然環(huán)境下油菜田間的雜草，在采集油菜與雜草數(shù)據(jù)集后，對(duì)比其在VGG-16、ResNet-50和ResNet-101這3種特征提取網(wǎng)絡(luò)下Faster R-CNN模型的目標(biāo)檢測(cè)效果，結(jié)果表明，基于VGG-16的Faster R-CNN最好，目標(biāo)識(shí)別精確度可達(dá)83.90%，召回率達(dá)到78.86%，F(xiàn)1值達(dá)81.30%。Abdalla等[45]為在高密度雜草條件下更好的識(shí)別分割出油菜，使用便攜式數(shù)碼相機(jī)拍攝高密度雜草下油菜田數(shù)據(jù)集，設(shè)計(jì)用微調(diào)過的SegNet網(wǎng)絡(luò)模型的編碼器提取深度特征與使用機(jī)器學(xué)習(xí)的分類器結(jié)合的方法實(shí)現(xiàn)對(duì)油菜雜草的圖像分割，對(duì)比幾種機(jī)器學(xué)習(xí)分類器的準(zhǔn)確率，得出使用SVM效果最好，可實(shí)現(xiàn)對(duì)油菜和背景的分割，結(jié)果表明最高精度可達(dá)96%。Asad等[46]開發(fā)了一種加速手動(dòng)標(biāo)記像素的過程的方法，使用尼康相機(jī)采集兩個(gè)不同生長(zhǎng)階段的油菜田數(shù)據(jù)集，對(duì)比分別使用VGG16和ResNet-50作為編碼器的U-Net和SegNet來訓(xùn)練實(shí)現(xiàn)雜草和油菜的分割，試驗(yàn)得出基于ResNet-50的SegNet模型效果最好MIOU和FWIOU分別達(dá)到了82.88%和98.69%。Partel等[47]以向日葵與雜草，胡椒與雜草(馬齒莧)為數(shù)據(jù)集訓(xùn)練3種基于YOLOv3的目標(biāo)檢測(cè)網(wǎng)絡(luò)來實(shí)現(xiàn)精準(zhǔn)智能噴霧器對(duì)雜草的識(shí)別，整個(gè)噴霧系統(tǒng)的準(zhǔn)確率和召回率可分別達(dá)到為95%和89%。

3.1.3 棉花與雜草

棉花是世界上重要的經(jīng)濟(jì)作物。但是由于棉花生產(chǎn)程序復(fù)雜，種植管理、控害除草復(fù)雜，生產(chǎn)人工成本高，導(dǎo)致部分地區(qū)種植意愿降低，因此深度學(xué)習(xí)解決棉花雜草問題，以提高種植意愿與棉花產(chǎn)量尤為重要[48]。

Espejo-Garcia等[49]將深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)機(jī)器學(xué)習(xí)的分類器結(jié)合起來分別識(shí)別作物(番茄和棉花)和雜草(龍葵和天鵝絨草)，試驗(yàn)得出DenseNet和支持向量機(jī)結(jié)合F1值達(dá)到了99.29%。許燕等[50]針對(duì)新疆棉田雜草識(shí)別率低的問題，通過采集建立不同角度、不同自然環(huán)境和不同密集程度混合生長(zhǎng)的棉花幼苗與雜草數(shù)據(jù)集，然后對(duì)比4種特征提取網(wǎng)絡(luò)的Faster R-CNN模型的識(shí)別效果，最終選擇VGG16為特征提取網(wǎng)絡(luò)訓(xùn)練，設(shè)計(jì)最佳錨尺度，得出MAP值為91.49%，平均識(shí)別時(shí)間262 ms。為實(shí)現(xiàn)田間條件下快速、精準(zhǔn)識(shí)別棉花幼苗與雜草，彭明霞等[51]設(shè)計(jì)采集小車，采用垂直向下拍攝的方式獲取棉花與雜草的視頻，按照每秒一幀取圖片建立數(shù)據(jù)集，對(duì)比了Faster R-CNN和YOLOv3 這2種典型目標(biāo)檢測(cè)算法模型，最終選取優(yōu)化后的Faster R-CNN進(jìn)行試驗(yàn)，得出平均目標(biāo)識(shí)別準(zhǔn)確率達(dá)95.5%。Chen等[52]通過遷移學(xué)習(xí)建立了綜合基準(zhǔn)，用于棉花生產(chǎn)系統(tǒng)中常見雜草的多類識(shí)別。創(chuàng)建了棉田15類雜草數(shù)據(jù)集用于模型訓(xùn)練，對(duì)于訓(xùn)練樣本較少的少數(shù)雜草類識(shí)別較差的問題，采用了加權(quán)交叉熵(WCE)損失函數(shù)，以及將基于深度學(xué)習(xí)的余弦相似度指標(biāo)用于分析雜草類間的相似度，大大提高了雜草分類的準(zhǔn)確性，對(duì)比27個(gè)(卷積神經(jīng)網(wǎng)絡(luò))深度學(xué)習(xí)模型，得出參數(shù)優(yōu)化后的ResNet-101的F1值最高達(dá)到了99.1%，其中模型中有14款超過98%。

3.2 糧食作物

3.2.1 水稻與雜草

我國對(duì)水稻的生產(chǎn)極為重視，全國以稻米為主食的人超過65%。水稻種植中盲目用藥除草的情況屢次發(fā)生，不僅防治效果差，還會(huì)對(duì)水稻的生長(zhǎng)造成一定的影響，導(dǎo)致水稻產(chǎn)量下降。

鄧向武等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)與遷移學(xué)習(xí)相結(jié)合的稻田苗期雜草識(shí)別方法采集6種稻田苗期雜草(野慈姑和稗草等)數(shù)據(jù)集，將預(yù)訓(xùn)練CNN圖像分類模型(AlexNet、VGG16和GoogLeNet)的參數(shù)遷移到雜草識(shí)別的任務(wù)上來使用VGG16網(wǎng)絡(luò)模型的雜草正確識(shí)別率達(dá)97.48%。彭文等[53]用CCD感光相機(jī)采集6種水稻田雜草(鬼針草、鵝腸草等)，構(gòu)建PFMW數(shù)據(jù)集，通過對(duì)比VGGNet、ResNet50、MobileNet等8種深度學(xué)習(xí)網(wǎng)絡(luò)模型，再對(duì)比選取網(wǎng)絡(luò)模型的優(yōu)化器(SGD、Adam和RMS)最終VGG16-SGD模型取得了最高精度，其平均F值達(dá)到了97.7%。Huang等[54]用無人機(jī)在不同的稻田上拍攝圖像建立數(shù)據(jù)集，通過對(duì)比基于對(duì)象的圖像分析(OBIA)的傳統(tǒng)機(jī)器學(xué)習(xí)的不同分類器和深度學(xué)習(xí)方法的卷積神經(jīng)網(wǎng)絡(luò)，得出深度學(xué)習(xí)方法VGGNet網(wǎng)絡(luò)模型在準(zhǔn)確率和效率上明顯優(yōu)于OBIA方法和其他深度學(xué)習(xí)卷積網(wǎng)絡(luò)。Zhang等[55]用無人機(jī)低空飛行采集冬小麥數(shù)據(jù)，研究測(cè)試了YOLOv3和YOLOv3-tiny的性能，發(fā)現(xiàn)YOLOv3-tiny更適合移動(dòng)設(shè)備，且MAP可到72.5%，IOU為80.12%。Kumar等[56]采集水稻與雜草數(shù)據(jù)集對(duì)比不同的ML分類器(SVM、CNN)與R-CNN和Faster R-CNN的目標(biāo)檢測(cè)算法，得出Faster R-CNN準(zhǔn)確率最高達(dá)到94%。且為了降低GPU的需求，選擇更加專用的加法器(adder)提高硬件性能，最后硬件部分選擇FPGA芯片處理圖片，既降低了延時(shí)，又縮小了占用面積。Ma等[57]使用佳能相機(jī)采集稻米雜草幼苗水稻和雜草(慈姑)數(shù)據(jù)集，在解決類別標(biāo)記和類別數(shù)量不平衡問題后使用遷移學(xué)習(xí)和基于全卷積的SegNet圖像分割網(wǎng)絡(luò)來實(shí)現(xiàn)對(duì)雜草的識(shí)別分割，與經(jīng)典語義分割模型FCN和UNet對(duì)比，平均精度為92.7%高于二者。

3.2.2 玉米與雜草

玉米是世界上分布最廣泛的糧食作物之一，在我國種植產(chǎn)量超過水稻和小麥，位居我國三大糧食作物之首，是人類和畜禽的重要食物來源，也是重要的工業(yè)和醫(yī)藥原料[58]，玉米的3～5葉期是除草的最佳時(shí)期。

徐艷蕾等[59]拍攝8種田間雜草(鬼針草、翅果菊等)和玉米苗期的數(shù)據(jù)集，針對(duì)復(fù)雜自然環(huán)境下雜草圖像的特性構(gòu)建了一種基于Xception 卷積網(wǎng)絡(luò)的輕量卷積網(wǎng)絡(luò)的改進(jìn)雜草識(shí)別模型，相同試驗(yàn)條件下對(duì)比其他幾種基礎(chǔ)識(shí)別網(wǎng)絡(luò)模型(VGG16、VGG19、ResNet50 和 Inception-V3)，結(jié)果顯示設(shè)計(jì)的識(shí)別模型平均測(cè)試識(shí)別準(zhǔn)確率高達(dá)98.63%。Champl等[6]設(shè)計(jì)了一款電除草的機(jī)器人，其中識(shí)別定位雜草是采用視覺方式，通過嵌入深度學(xué)習(xí)Mask R-CNN算法，識(shí)別檢測(cè)雜草，在訓(xùn)練兩種作物(玉米和大豆)和四種雜草(黑麥草和藜草等)數(shù)據(jù)集時(shí)選定ResNet-50為特征主干網(wǎng)絡(luò)，對(duì)輸入圖像大小，錨框比例等超參數(shù)進(jìn)行調(diào)整來提高準(zhǔn)確率，通過植物的重心對(duì)植物定位實(shí)現(xiàn)精準(zhǔn)除草。雖然小目標(biāo)雜草檢測(cè)精度較低，但是也驗(yàn)證了實(shí)施電氣化除草的可能。Mads等[60]通過自搭建卷積神經(jīng)網(wǎng)絡(luò)對(duì)包含22種(小麥、玉米、甜菜等7種作物，闊葉草、狹葉草、黎等15種)處于早期生長(zhǎng)階段的作物和雜草數(shù)據(jù)集對(duì)進(jìn)行識(shí)別檢測(cè)，模擬土壤背景上的重疊植物的自上而下圖像來克服植物樹葉重疊問題，最終網(wǎng)絡(luò)能夠達(dá)到86.2%的分類準(zhǔn)確率。因葉齡是植物重要表型性狀，不同葉齡雜草所需除草劑劑量不同，權(quán)龍哲等[61]采集不同天氣和不同角度下的2～5葉期玉米和雜草(稗草、打碗花等)數(shù)據(jù)集，采用Mask R-CNN網(wǎng)絡(luò)模型檢測(cè)雜草，通過更換3個(gè)特征提取網(wǎng)絡(luò)(ResNet-50、ResNet-101、MobileNet V2)、搭建多種不同尺寸區(qū)域建議框等方法提高模型精度，結(jié)果顯示以ResNet-101為特征提取網(wǎng)絡(luò)識(shí)別率最高為90.3%。Wang等[62]使用玉米和大豆生產(chǎn)系統(tǒng)中4種常見雜草(蒼耳、狐尾草、紅根莧菜和三裂葉豚草)數(shù)據(jù)集，研究圖像分類模型和目標(biāo)檢測(cè)模型對(duì)數(shù)據(jù)集中雜草的識(shí)別效果，通過評(píng)估VGG16、ResNet50和InceptionV3三種不同的預(yù)訓(xùn)練圖像分類模型得出基于pytorch框架的VGG16識(shí)別精度最高，F(xiàn)1值為99%。評(píng)估用于定位和識(shí)別雜草種類的YOLOv3目標(biāo)檢測(cè)模型，得出總體MAP得分為54.3%，紅根莧菜的識(shí)別精度最高89%，由于狐尾草樣本較少且難以識(shí)別，AP僅為26%。當(dāng)評(píng)估由于框架選擇而產(chǎn)生的性能差異時(shí)，得出相同條件下pytorch優(yōu)于keras。

與傳統(tǒng)的圖像處理方法相比，深度學(xué)習(xí)不僅解決了復(fù)雜、低效的特征提取環(huán)節(jié)的問題，而且只需將輸入圖像裁剪成合適的尺寸就可用于目標(biāo)識(shí)別，在極大提高識(shí)別準(zhǔn)確率的前提下，也縮短識(shí)別時(shí)間?？蓱?yīng)用到實(shí)際農(nóng)業(yè)生產(chǎn)。

根據(jù)上述文獻(xiàn)可總結(jié)，深度學(xué)習(xí)應(yīng)用在雜草識(shí)別檢測(cè)領(lǐng)域的技術(shù)任務(wù)主要有圖像分類、目標(biāo)檢測(cè)、語義分割、實(shí)例分割。其中基于深度學(xué)習(xí)的雜草識(shí)別在分類識(shí)別任務(wù)中由于作物與雜草種類不同，以及測(cè)試數(shù)據(jù)集不同，得出的不同算法的識(shí)別精度不同，并無某一算法明顯優(yōu)于其他算法，但是VGGNet與ResNet算法可作為優(yōu)先選擇對(duì)象。在目標(biāo)檢測(cè)和圖像分割任務(wù)中由于田間植物的小物體雜草和遮擋重疊現(xiàn)象和移動(dòng)設(shè)備很難達(dá)到實(shí)驗(yàn)室設(shè)備的高算力和實(shí)時(shí)性，也由于目標(biāo)檢測(cè)和圖像分割的表現(xiàn)形式不同，研究者們可從獲得作物面積選擇圖像分割，從獲得類別與位置選擇目標(biāo)檢測(cè)，從部署移動(dòng)設(shè)備選擇單階段的目標(biāo)檢測(cè)或?qū)嵗指?，也可根?jù)實(shí)際需要選擇準(zhǔn)確度高的Faster R-CNN，或?qū)崟r(shí)性強(qiáng)的YOLO、SSD。研究人員對(duì)于深度學(xué)習(xí)算法技術(shù)準(zhǔn)確率的提升手段主要有針對(duì)不同的算法模型、模型本身、遷移學(xué)習(xí)、加入注意力機(jī)制等方法?，F(xiàn)階段分類識(shí)別任務(wù)中在不同數(shù)據(jù)集、不同選用參數(shù)下達(dá)到的準(zhǔn)確度不同，但是均能達(dá)到準(zhǔn)確率94%以上，有甚者可達(dá)99%，是因?yàn)榇藭r(shí)數(shù)據(jù)中均為單個(gè)易識(shí)別物體。而目標(biāo)檢測(cè)和圖像分割任務(wù)中準(zhǔn)確率普遍低于95%是因?yàn)樾枰玫轿矬w所在的區(qū)域，而算法模型對(duì)數(shù)據(jù)中存在不同尺度、重疊、遮擋的物體的檢測(cè)能力不同，易出現(xiàn)漏檢錯(cuò)檢現(xiàn)象。

4 存在問題與對(duì)策

總結(jié)上述近幾年深度學(xué)習(xí)在雜草識(shí)別檢測(cè)方面的文獻(xiàn)，發(fā)現(xiàn)深度學(xué)習(xí)應(yīng)用于雜草識(shí)別領(lǐng)域的研究還處于起步階段，存在不少的問題。

1) 數(shù)據(jù)集建立費(fèi)時(shí)、不通用?，F(xiàn)階段雜草數(shù)據(jù)集僅僅是針對(duì)一種作物生長(zhǎng)期間生長(zhǎng)的雜草不具備通用性，而且數(shù)據(jù)建立可能出現(xiàn)類別不平衡現(xiàn)象，雜草處于不同生長(zhǎng)階段存在不同的特征，拍照時(shí)的光影變化等都影響著訓(xùn)練最終效果。文中綜述的文章中出現(xiàn)類間識(shí)別正確度相差較大，或出現(xiàn)過擬合現(xiàn)象等情況。

2) 田間作業(yè)環(huán)境復(fù)雜實(shí)際識(shí)別率較低。 真實(shí)田間地況復(fù)雜總會(huì)出現(xiàn)顛簸，大風(fēng)，遮擋等情況，這些是實(shí)際應(yīng)用過程中存在的必須解決的問題。

3) 識(shí)別效果與硬件好壞有關(guān)?，F(xiàn)階段硬件本身的算力與價(jià)格和外型掛鉤，一個(gè)算法模型是否能部署在移動(dòng)端不僅要求算法具有實(shí)時(shí)的檢測(cè)速率，還要有較高的識(shí)別精度，因此目前實(shí)驗(yàn)室常使用雙階段的算法針對(duì)提高識(shí)別精度，應(yīng)用中常使用單階段算法。而硬件的好壞也影響著識(shí)別性能，例如Partel等[47]在試驗(yàn)中使用不同規(guī)格的GPU顯卡，結(jié)果得出性能高的，在精度和召回率方面都有較大的提升。另外數(shù)據(jù)獲取設(shè)備攝像機(jī)也是提高識(shí)別效果的有利工具。

現(xiàn)階段存在的問題，也將會(huì)是未來研究者應(yīng)用深度學(xué)習(xí)解決問題的趨勢(shì)，本文提出以下幾點(diǎn)建議，希望能為未來雜草精準(zhǔn)識(shí)別提供些許幫助。

1) 數(shù)據(jù)集的建立。數(shù)據(jù)的采集一方面可以采取只拍一種光照條件下的雜草圖像，識(shí)別時(shí)采用補(bǔ)光或遮光的形式來減少人工的投入，另一方面采用生成對(duì)抗網(wǎng)絡(luò)或者M(jìn)ixup、Mosaic等數(shù)據(jù)增強(qiáng)的方法擴(kuò)增數(shù)據(jù)集，采用半監(jiān)督學(xué)習(xí)的方式來解決人工標(biāo)注的困難，解決整體數(shù)據(jù)建立人力、時(shí)間的投入。

2) 新算法的研究。田間雜草情況復(fù)雜要解決在遮擋、模糊、群聚等狀況下仍能實(shí)現(xiàn)算法的快速性和有效性的問題，探究更適合的識(shí)別算法，如加入注意力機(jī)制加強(qiáng)特征提取，或者引入或改進(jìn)視覺Transformer等算法。目前廣泛用于識(shí)別檢測(cè)方面的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)算法，一定程度上網(wǎng)絡(luò)層數(shù)越深，識(shí)別精度越高，但是也意味著算法越難部署到移動(dòng)設(shè)備上，因此探究輕量化和深度化的平衡也是研究的方向。

3) 硬件的開發(fā)。圖像的采集設(shè)備，數(shù)據(jù)處理設(shè)備等。在數(shù)據(jù)處理過程中，能在不占用大空間的同時(shí)實(shí)現(xiàn)高算力，提高硬件實(shí)力以改變算法發(fā)展受限的問題。

5 結(jié)論與展望

本文對(duì)深度學(xué)習(xí)在雜草識(shí)別領(lǐng)域的研究做出綜述。傳統(tǒng)的機(jī)器學(xué)習(xí)識(shí)別雜草需人為提取特征存在很多弊端，而深度學(xué)習(xí)有效避免了傳統(tǒng)機(jī)器學(xué)習(xí)的很多問題?？偨Y(jié)介紹了深度學(xué)習(xí)的算法模型在雜草識(shí)別領(lǐng)域的應(yīng)用，具體對(duì)國內(nèi)外基于深度學(xué)習(xí)的作物與雜草種類檢測(cè)與分類研究現(xiàn)狀進(jìn)行綜述，以與作物種類為線索，闡述研究人員如何針對(duì)每種作物相應(yīng)時(shí)期的雜草進(jìn)行識(shí)別控制。在這篇文章中，提供的分類研究總結(jié)了雜草的檢測(cè)方法以及提高分類準(zhǔn)確率的手段，發(fā)現(xiàn)大多數(shù)的研究應(yīng)用監(jiān)督學(xué)習(xí)技術(shù)，使用現(xiàn)有的深度學(xué)習(xí)模型；通過遷移學(xué)習(xí)可以在任何植物數(shù)據(jù)集實(shí)現(xiàn)更好的性能和分類精度；另外不同的深度學(xué)習(xí)模型對(duì)于不同的作物數(shù)據(jù)集有不同的表現(xiàn)能力；現(xiàn)階段也只是通過設(shè)置不同的條件找到近似最優(yōu)的參數(shù)達(dá)到最大識(shí)別準(zhǔn)確率。

未來在雜草識(shí)別領(lǐng)域的一個(gè)重要的研究方向是對(duì)于數(shù)據(jù)集的處理，如何減少人工注釋，解決類不平衡，擴(kuò)容數(shù)據(jù)，實(shí)現(xiàn)簡(jiǎn)易、準(zhǔn)確、通用。另一方向是深度學(xué)習(xí)算法模型的最優(yōu)化，解決由于田間外界因素造成的視覺采集的數(shù)據(jù)模糊、光影變化，遮擋重疊等帶來的識(shí)別準(zhǔn)確率降低的問題和如何減少對(duì)硬件性能的需求問題。在深度學(xué)習(xí)雜草識(shí)別的應(yīng)用方面：一是使用多種視覺設(shè)備與傳感器協(xié)調(diào)作業(yè)。由中央系統(tǒng)調(diào)控各個(gè)設(shè)備視覺傳遞的數(shù)據(jù)，以獲得更加精準(zhǔn)的定位，以解決存在遮擋的行間行內(nèi)雜草不能完全識(shí)別定位的問題，并且利用多傳感器與機(jī)器視覺融合綜合提取的多種信息，分析作物與雜草長(zhǎng)勢(shì)針對(duì)性除草。二是在達(dá)到精準(zhǔn)識(shí)別后可以使用小型無人機(jī)搭載觸殺式除草劑，使用機(jī)器人搭載激光、高壓電等對(duì)雜草實(shí)現(xiàn)定點(diǎn)式物理清除。