Aprendizaje profundo para la detección de malezas en sistemas agrícolas y forestales mesoamericanos

方法

检索2016-2025年Scopus等数据库的15项应用研究与15篇综述。

发现

深度学习识别杂草表现良好，但未发现林场研究，需本地数据与田间验证。

机会点

热带林场早期杂草检测尚属空白，可构建本地化数据集并集成决策支持系统。

引言。杂草控制是热带农林业系统中的一项长期活动。深度学习为杂草检测、识别和治理提供了可能性。目标。描述深度学习在杂草识别与定位方面的主要进展和应用，并分析其作为中美洲农林业系统杂草治理辅助工具的适用性。发展。通过检索Scopus、Web of Science、ScienceDirect和SpringerLink中2016年至2025年发表的文章，开展了科学文献综述。该综述主要基于15项应用深度学习技术并报告性能指标的研究以及15篇综述文章。识别了该过程的各组成部分，并结合热带农林业系统的特殊性，提出了在中美洲实施的方法路径。深度学习模型在多种农业系统的杂草识别中表现出良好性能。在检索中未发现关于人工林的研究，但识别出在造林初期阶段的应用潜力。该路线图考虑了优先选择影响最大的作物、森林树种和杂草，数据库的协同开发，以及模型的训练与实施。结论。深度学习在杂草识别与定位方面取得了相关进展。其在中美洲的实施可通过精准农业和林业策略为治理作出贡献，但需要代表性数据、田间验证以及与决策支持系统的整合。