A comprehensive review of deep learning methods for weed classification in precision agriculture
Njoku Camillus Ekene · Francis A. Okoye · Ebere Uzoka Chidi 等 4 人
综述2018-2025年深度学习杂草分类方法，分析技术瓶颈并给出改进建议。
混合定量定性法，基于Scopus及MDPI、IEEE等文献，分析ML、DL与实例
YOLO、ResNet、ViT等精度高，但实际部署受遮挡、小目标与环境适应性限制。
可研究轻量化、跨域自适应模型，解决小目标与遮挡下的实时杂草识别难题。
系统综述2018—2025年深度学习杂草分类方法，指出遮挡、小目标与环境适应性等落地瓶颈，对农业AI研究有参考价值，但属综述类论文、非突破性成果。
杂草是当前导致农业生产力低下的因素之一。随着世界人口持续增长，满足全球粮食需求已成为迫切任务。尼日利亚目前的作物产量不足以养活其不断增长的人口，而杂草是导致农业产量低下的核心因素之一。本研究对精准农业中基于深度学习（Deep Learning，DL）的杂草分类方法进行了全面综述，涵盖2018年至2025年的文献。在综述过程中，我们采用了定量与定性相结合的方法。数据来源集中于Scopus索引论文，这些论文发表于MDPI旗下的Sensors、Electronics和Agriculture，以及IEEE、Thomson Reuters和Springer。本研究系统综述并分析了机器学习（Machine Learning，ML）、深度学习及实例分割技术，以识别影响这些模型实时部署效果与效率的关键技术和环境障碍，如数据局限性、类别不平衡、环境变异性及模型可扩展性问题。研究结果表明，尽管YOLO系列、ResNet和视觉Transformer（Vision Transformer）等杂草管理模型在训练和测试中达到了较高精度，但在实际部署中仍面临诸多挑战，如遮挡、小目标检测和环境适应性等问题。总体而言，本研究提出了增强模型鲁棒性、可扩展性和效率的推荐解决方案，并进一步总结了人工智能驱动杂草管理的现状与未来方向。