Zenodo (CERN European Organization for Nuclear Research)·10月23日 · 周五论文智慧农业 / 农业物联网阅读 0
Smart Agriculture & Weed Management/Security
Adling Pradnya
论文解读
64接近精选线
速览
综述九项AI除草与农场安防研究，梳理方法、效果与不足。
方法
综述目标检测、实例分割、CNN分类，结合IoT、热像仪、无人机与边缘计算。
发现
深度学习可识别分割目标，但算力、硬件成本与标注数据仍是瓶颈。
机会点
轻量化边缘部署、多类检测、户外鲁棒性及除草与安防一体化是待填补空白。
影响力12
信息增量16
专业深度15
信源权威12
时效性9
综述性论文，系统梳理AI杂草识别与农场安防研究现状及瓶颈，有参考价值但非突破性成果，适合作为主题聚合素材。
原文摘要
杂草与作物争夺水分、光照和养分，同时农场还需应对动物非法侵入和破坏行为。人工除草和化学药剂施用不仅劳动强度大、成本高昂且对环境有害，而传统农场安防的效率则受限于缺乏有效的持续监控。新兴技术的出现，尤其是人工智能、计算机视觉和深度学习，可为这一挑战提供解决方案。本文综述了九项关于人工智能技术在杂草控制和农场安防中应用的现代科学研究。所综述的研究采用了不同流程构建，包括目标检测、实例分割以及CNN分类，并在过程中使用了物联网传感器、热成像相机、无人机和边缘计算等附加技术。对所有综述研究的方法论、结果及作者发现的不足进行了审查。研究结果仅能表明深度学习有助于目标对象的识别与分割，但同时也显示一些问题仍然存在，如高计算需求、硬件成本过高以及大规模标注数据集的需求。研究空白已得到审视，包括轻量化边缘部署、多类别检测、户外条件鲁棒性以及杂草管理与农场安防的集成。本综述为研究人员和学生构建准确、可持续且经济适用的智能农业监测系统奠定了基础。索引词——智慧农业、杂草检测、计算机视觉、深度学习、YOLO、Mask R-CNN、边缘人工智能、物联网、农场安防。