编辑推荐：
针对农田杂草动态变化导致传统深度学习模型分类性能不足的问题，研究人员开展自适应深度学习框架 ADeepWeeD 的研究。通过在 3 个公开数据集上对比 4 种非增量和 2 种增量方法，发现 ADeepWeeD 在 F1-Score 和分类准确率上显著更优，为自动化杂草识别系统开发提供了新方案。
在农业生产的舞台上，杂草如同不速之客，与作物争夺阳光、水分和养分，每年造成全球约 756 亿美元的产量损失。传统的深度学习模型在应对农田中不断涌现的新杂草物种时，往往因无法有效利用历史信息、受限于系统内存和计算能力，出现分类性能下降和误报率高的问题。如何让模型像人类一样，在不断变化的环境中持续学习新物种并记住旧知识，成为农业精准管理领域的关键挑战。
为破解这一难题，研究人员开展了自适应深度学习框架 ADeepWeeD（Adaptive Deep Learning Framework for Weed Species Classification）的研究。该研究利用 3 个公开数据集（DeepWeeds、CottonWeedID15、Weed6），对 ADeepWeeD 的性能进行了全面评估，并与 VGG16、Inception-v3、ResNet50 等 4 种非增量学习方法及弹性权重巩固（EWC）、梯度情景记忆（GEM）2 种增量学习方法展开对比。研究成果发表在《Artificial Intelligence in Agriculture》。
研究采用基于卷积神经网络（CNN）的架构，通过固定卷积层参数、训练全连接层的方式实现模型的增量更新。在数据处理上，将每个数据集划分为 26 个批次，模拟新物种随时间分批出现的动态场景，通过 F1-Score 和分类准确率评估模型性能。
实验结果与分析
4.1 数据集信息
研究选用的 3 个数据集涵盖了不同环境下的杂草图像，如 DeepWeeds 包含澳大利亚野外的 8 种杂草及非杂草图像，CottonWeedID15 聚焦美国南部棉田的 15 种杂草，Weed6 则整合了多种杂草类型，为模型测试提供了丰富场景。
4.2 批处理性能对比
在 DeepWeed 数据集上，传统方法如 VGG16-INIT-NONTL 在面对新物种批次（5-26 批）时性能显著下降，而 ADeepWeeD-TL 凭借对历史信息的追踪，F1-Score 始终保持在 0.7 以上，分类准确率达 0.788，显著优于其他方法。类似趋势在 CottonWeed15 和 Weed6 数据集上同样存在，ADeepWeeD-TL 的平均 F1-Score 达 0.759，分类准确率达 0.800，展现出更强的适应性。
4.3 与增量学习方法对比
与 EWC、GEM 等增量学习方法相比，ADeepWeeD-TL 在 DeepWeed 数据集的 F1-Score 达 0.814，分类准确率 0.786，均优于对手。在训练时间上，ADeepWeeD-TL 也显著低于需重新训练的传统方法，兼顾效率与性能。
4.4 统计显著性与时间复杂度
符号检验表明，ADeepWeeD-TL 在 97.5% 置信水平下显著优于现有方法。从训练时间看，其虽略高于初始训练的非增量方法，但远低于需重复训练的策略，在实际应用中更具可行性。
结论与意义
ADeepWeeD 通过自适应学习机制，有效解决了传统模型在动态环境中的 “灾难性遗忘” 问题，既能学习新物种又能保留历史模式。其基于转移学习（TL）的变体 ADeepWeeD-TL 结合预训练模型，进一步提升了分类性能，为农田杂草的自动化识别提供了高效解决方案。该研究不仅为农业精准管理提供了新的技术工具，也为深度学习在跨领域的增量学习应用提供了重要参考，有望推动智能农业机器人等技术的发展，助力全球粮食安全目标的实现。研究提出的框架在处理多物种动态场景时的优势，为后续整合多杂草图像处理及自动化标注技术奠定了基础。
