《Artificial Intelligence in Agriculture》：ADeepWeeD: An adaptive deep learning framework for weed species classification
編輯推薦：
針對農田雜草動態變化導致傳統深度學習模型分類性能不足的問題，研究人員開展自適應深度學習框架 ADeepWeeD 的研究。通過在 3 個公開數據集上對比 4 種非增量和 2 種增量方法，發現 ADeepWeeD 在 F1-Score 和分類準確率上顯著更優，為自動化雜草識別系統開發提供了新方案。
在農業生產的舞臺上，雜草如同不速之客，與作物爭奪陽光、水分和養分，每年造成全球約 756 億美元的產量損失。傳統的深度學習模型在應對農田中不斷涌現的新雜草物種時，往往因無法有效利用歷史信息、受限于系統內存和計算能力，出現分類性能下降和誤報率高的問題。如何讓模型像人類一樣，在不斷變化的環境中持續學習新物種并記住舊知識，成為農業精準管理領域的關鍵挑戰。
為破解這一難題，研究人員開展了自適應深度學習框架 ADeepWeeD（Adaptive Deep Learning Framework for Weed Species Classification）的研究。該研究利用 3 個公開數據集（DeepWeeds、CottonWeedID15、Weed6），對 ADeepWeeD 的性能進行了全面評估，并與 VGG16、Inception-v3、ResNet50 等 4 種非增量學習方法及彈性權重鞏固（EWC）、梯度情景記憶（GEM）2 種增量學習方法展開對比。研究成果發表在《Artificial Intelligence in Agriculture》。
研究采用基于卷積神經網絡（CNN）的架構，通過固定卷積層參數、訓練全連接層的方式實現模型的增量更新。在數據處理上，將每個數據集劃分為 26 個批次，模擬新物種隨時間分批出現的動態場景，通過 F1-Score 和分類準確率評估模型性能。
實驗結果與分析
4.1 數據集信息
研究選用的 3 個數據集涵蓋了不同環境下的雜草圖像，如 DeepWeeds 包含澳大利亞野外的 8 種雜草及非雜草圖像，CottonWeedID15 聚焦美國南部棉田的 15 種雜草，Weed6 則整合了多種雜草類型，為模型測試提供了豐富場景。
4.2 批處理性能對比
在 DeepWeed 數據集上，傳統方法如 VGG16-INIT-NONTL 在面對新物種批次（5-26 批）時性能顯著下降，而 ADeepWeeD-TL 憑借對歷史信息的追蹤，F1-Score 始終保持在 0.7 以上，分類準確率達 0.788，顯著優于其他方法。類似趨勢在 CottonWeed15 和 Weed6 數據集上同樣存在，ADeepWeeD-TL 的平均 F1-Score 達 0.759，分類準確率達 0.800，展現出更強的適應性。
4.3 與增量學習方法對比
與 EWC、GEM 等增量學習方法相比，ADeepWeeD-TL 在 DeepWeed 數據集的 F1-Score 達 0.814，分類準確率 0.786，均優于對手。在訓練時間上，ADeepWeeD-TL 也顯著低于需重新訓練的傳統方法，兼顧效率與性能。
4.4 統計顯著性與時間復雜度
符號檢驗表明，ADeepWeeD-TL 在 97.5% 置信水平下顯著優于現有方法。從訓練時間看，其雖略高于初始訓練的非增量方法，但遠低于需重復訓練的策略，在實際應用中更具可行性。
結論與意義
ADeepWeeD 通過自適應學習機制，有效解決了傳統模型在動態環境中的 “災難性遺忘” 問題，既能學習新物種又能保留歷史模式。其基于轉移學習（TL）的變體 ADeepWeeD-TL 結合預訓練模型，進一步提升了分類性能，為農田雜草的自動化識別提供了高效解決方案。該研究不僅為農業精準管理提供了新的技術工具，也為深度學習在跨領域的增量學習應用提供了重要參考，有望推動智能農業機器人等技術的發展，助力全球糧食安全目標的實現。研究提出的框架在處理多物種動態場景時的優勢，為后續整合多雜草圖像處理及自動化標注技術奠定了基礎。
