轻量级深度学习网络在农作物目标检测的应用进展

许毓超1,2 吴茜2,3 张兵园1,2,3 周玲莉2,3 任妮1,2,3 张美娜1,2,3

1.江苏大学农业工程学院 2.江苏省农业科学院农业信息研究所/农业农村部长三角智慧农业技术重点实验室 3.生物育种钟山实验室

摘要： 随着计算机视觉领域中深度学习网络模型应用的发展，各类农业场景中的目标检测性能得到极大的推动。与部署在云端服务器的大规模深度学习网络不同，轻量级深度学习网络因其较小的参数量和运算量，在硬件资源有限且实时性要求更高的农业场景中展现出潜力，完成果蔬采摘机器人的目标检测、作物病虫草害目标检测以及作物表型检测等任务。概述当前主流轻量级深度学习网络的模型结构、关键技术模块与模型性能，进行对比分析。归纳总结轻量级深度学习网络在果实目标检测、谷物穗部检测、作物病虫害检测3大类应用场景的研究进展。指出轻量级深度学习网络在农作物目标检测应用上还存在普适性数据集稀缺、模型泛化能力弱、模型检测精度与检测效率的平衡难以把握等问题，并展望通过农业数据集数量、质量与多样性提升，轻量级深度学习网络结构优化，迁移学习应用以及边缘设备硬件加速技术等进一步提升目标检测性能。

关键词：农作物；目标检测；深度学习；轻量级网络；边缘计算

基金资助： 国家自然科学基金项目(32201664)； 江苏省重点研发计划(BE2022363)； 江苏省农业科技自主创新资金项目(CX(22)5009)； 江苏省创新能力建设计划(BM2022008—01)

文章来源：《中国农机化学报》