標(biāo)簽高效學(xué)習(xí)技術(shù)如何解決農(nóng)業(yè)深度學(xué)習(xí)的數(shù)據(jù)瓶頸？

在數(shù)字農(nóng)業(yè)時代，深度學(xué)習(xí)技術(shù)為作物監(jiān)測、病蟲害識別和產(chǎn)量預(yù)測帶來了革命性變革。然而，這些智能系統(tǒng)面臨著一個關(guān)鍵瓶頸：它們通常需要大量人工標(biāo)注的數(shù)據(jù)才能達(dá)到理想效果。在田間地頭獲取并標(biāo)注這些數(shù)據(jù)不僅耗時費力，還需要專業(yè)知識和大量人力資源。如今，一種稱為＂標(biāo)簽高效學(xué)習(xí)＂的技術(shù)正在悄然改變這一局面。通過弱監(jiān)督和無監(jiān)督的方法，研究人員可以利用未標(biāo)記或部分標(biāo)記的數(shù)據(jù)來訓(xùn)練深度學(xué)習(xí)模型，大幅降低對大規(guī)模標(biāo)記數(shù)據(jù)的依賴。這些創(chuàng)新方法如何在實際農(nóng)業(yè)應(yīng)用中發(fā)揮作用？它們能否真正解決農(nóng)業(yè)智能化中的數(shù)據(jù)標(biāo)注困境？

標(biāo)注的重?fù)?dān)

智慧農(nóng)業(yè)的發(fā)展雖然日新月異，但其背后隱藏著一個鮮為人知的困境：數(shù)據(jù)標(biāo)注的沉重負(fù)擔(dān)。傳統(tǒng)的深度學(xué)習(xí)模型就像貪吃的巨獸，需要消耗大量標(biāo)注數(shù)據(jù)才能達(dá)到理想的性能。以一個常見的雜草識別系統(tǒng)為例，研究人員通常需要收集數(shù)千張?zhí)镩g圖像，并且要由農(nóng)業(yè)專家一一標(biāo)注出雜草的種類和位置。這個過程往往耗時數(shù)周甚至數(shù)月，成本高昂且效率低下。

農(nóng)業(yè)領(lǐng)域的數(shù)據(jù)標(biāo)注比其他行業(yè)更具挑戰(zhàn)性。田間環(huán)境復(fù)雜多變，光照條件、生長階段、天氣變化都會影響圖像質(zhì)量。一項針對美國中西部農(nóng)場的研究表明，同一塊農(nóng)田在不同季節(jié)拍攝的圖像差異可達(dá)70%以上，這使得標(biāo)注工作更加困難。植物病害識別更是專業(yè)性極強的工作，即使是經(jīng)驗豐富的農(nóng)藝師有時也難以僅憑肉眼準(zhǔn)確區(qū)分相似癥狀的病害。

標(biāo)注成本的高昂令人咋舌。據(jù)密歇根州立大學(xué)2022年的一項研究，一個包含5000張圖像的農(nóng)作物病害數(shù)據(jù)集，其標(biāo)注成本約為2萬美元，且需要300小時的專家工作時間。對于小型農(nóng)業(yè)科技公司和研究機構(gòu)來說，這幾乎是不可承受之重。

季節(jié)性也為數(shù)據(jù)收集設(shè)置了天然障礙。農(nóng)作物的生長周期有限，某些病害或生長階段可能一年只出現(xiàn)一次。錯過了采集窗口，研究人員可能需要等待整整一年才能獲取更多數(shù)據(jù)。這種時間上的局限性大大延緩了模型開發(fā)和迭代的速度。

數(shù)據(jù)不平衡是另一個頭疼問題。在自然環(huán)境中，健康植物通常比患病植物多得多，導(dǎo)致采集到的數(shù)據(jù)集中，健康樣本遠(yuǎn)多于病害樣本。例如，在一個典型的蘋果樹葉片數(shù)據(jù)集中，健康葉片可能占85%，而各種病害葉片僅占15%。這種不平衡會導(dǎo)致模型表現(xiàn)偏差，難以準(zhǔn)確識別少見的病害類型。

農(nóng)業(yè)生態(tài)的多樣性也增加了數(shù)據(jù)標(biāo)注的復(fù)雜度。不同地區(qū)的農(nóng)作物品種、生長條件、病害種類差異顯著。一個在加利福尼亞訓(xùn)練的葡萄病害識別模型，可能在法國波爾多地區(qū)表現(xiàn)不佳。這意味著理想狀態(tài)下，每個地區(qū)都需要構(gòu)建自己的標(biāo)注數(shù)據(jù)集，工作量呈幾何級增長。

人工標(biāo)注中的主觀性也不容忽視。研究表明，即使是專業(yè)農(nóng)藝師在標(biāo)注同一批圖像時，其一致性也只有約85%。這種標(biāo)注差異會直接影響模型的學(xué)習(xí)效果和準(zhǔn)確率。在一項針對小麥病害識別的研究中，由于標(biāo)注者間的差異，最終模型準(zhǔn)確率降低了約5%。

省時的智慧

面對標(biāo)注困境，農(nóng)業(yè)人工智能研究者開始尋找新的出路。這就是＂標(biāo)簽高效學(xué)習(xí)＂技術(shù)的崛起，它像一位精明的農(nóng)場管理者，懂得用最少的投入獲取最大的收益。這類技術(shù)主要分為兩大陣營：弱監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。

弱監(jiān)督學(xué)習(xí)就像聰明的農(nóng)民，知道如何用有限的經(jīng)驗指導(dǎo)整個農(nóng)場的工作。其中，主動學(xué)習(xí)特別引人注目。它不是盲目標(biāo)注所有數(shù)據(jù)，而是有選擇性地挑選最具代表性或最不確定的樣本進(jìn)行標(biāo)注。在密西西比州的一項棉花病害研究中，研究人員使用主動學(xué)習(xí)策略，僅標(biāo)注了數(shù)據(jù)集的32%，就達(dá)到了與全量標(biāo)注相近的91%識別準(zhǔn)確率。這種＂少而精＂的標(biāo)注策略大大降低了專家工作量。

半監(jiān)督學(xué)習(xí)則是另一種巧妙策略，它能同時利用標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)。想象一下，你有100張?zhí)O果樹圖像，但只有10張被標(biāo)注了病害位置。傳統(tǒng)方法只能使用這10張標(biāo)注圖像，而半監(jiān)督學(xué)習(xí)卻能把剩下90張未標(biāo)注圖像也納入訓(xùn)練過程。米歇根大學(xué)的研究者在2021年利用這一技術(shù)，用僅20%的標(biāo)注數(shù)據(jù)就實現(xiàn)了69.2%的田間雜草分割精度，與使用全部標(biāo)注數(shù)據(jù)訓(xùn)練的模型（精度70%）相差無幾。

＂偽標(biāo)簽＂是半監(jiān)督學(xué)習(xí)中的常用技術(shù)。它先用少量標(biāo)注數(shù)據(jù)訓(xùn)練一個初始模型，然后讓這個模型去預(yù)測未標(biāo)注數(shù)據(jù)的標(biāo)簽，這些預(yù)測出的標(biāo)簽被稱為＂偽標(biāo)簽＂。接著，模型用這些偽標(biāo)簽和原始標(biāo)注數(shù)據(jù)一起進(jìn)行再訓(xùn)練，不斷提升性能。在大豆病害識別研究中，這種方法僅使用10%的標(biāo)注數(shù)據(jù)就實現(xiàn)了92.6%的準(zhǔn)確率。

弱監(jiān)督學(xué)習(xí)則更加節(jié)省資源，它只需要粗粒度的標(biāo)注。例如，傳統(tǒng)的植物病害識別需要精確標(biāo)出病斑位置，而弱監(jiān)督學(xué)習(xí)只需要知道＂這張圖片中有病害＂這樣的圖像級標(biāo)注。2019年在一個包含9，230張圖像的小麥病害數(shù)據(jù)庫上，弱監(jiān)督學(xué)習(xí)方法實現(xiàn)了97.95%的識別準(zhǔn)確率，超過了傳統(tǒng)方法的93.27%。

而無監(jiān)督學(xué)習(xí)則更為激進(jìn)，它完全不需要人工標(biāo)注的數(shù)據(jù)。自監(jiān)督學(xué)習(xí)是其中的佼佼者，它通過設(shè)計一些特殊任務(wù)，讓模型從數(shù)據(jù)本身學(xué)習(xí)有用的特征。例如，讓模型預(yù)測被遮擋的圖像部分，或者判斷兩個經(jīng)過不同變換的同一圖像是否來自同一原始圖像。這些看似簡單的任務(wù)實際上可以讓模型學(xué)到深刻的視覺特征。

對比學(xué)習(xí)是自監(jiān)督學(xué)習(xí)的熱門方向。它的核心思想是讓模型學(xué)會區(qū)分相似和不相似的樣本。在農(nóng)業(yè)應(yīng)用中，研究者將同一植物圖像進(jìn)行不同變換（如旋轉(zhuǎn)、裁剪、顏色調(diào)整），讓模型學(xué)會識別這些變換后的圖像都來自同一植物。2021年的一項研究表明，通過這種方法預(yù)訓(xùn)練的模型在隨后的雜草識別任務(wù)中，只需30%的標(biāo)注數(shù)據(jù)就能超越傳統(tǒng)遷移學(xué)習(xí)方法的表現(xiàn)。

無監(jiān)督表示學(xué)習(xí)是另一種有效策略，它利用聚類等方法從未標(biāo)注數(shù)據(jù)中發(fā)現(xiàn)內(nèi)在規(guī)律。在農(nóng)業(yè)中，這種方法可以自動將外觀相似的植物或病害歸為一組，為后續(xù)的精細(xì)分類打下基礎(chǔ)。一項針對DeepWeeds數(shù)據(jù)集的研究顯示，基于DeepCluster的無監(jiān)督學(xué)習(xí)方法達(dá)到了83.4%的分類準(zhǔn)確率，而不需要任何人工標(biāo)注。

這些標(biāo)簽高效學(xué)習(xí)技術(shù)不只是理論上的創(chuàng)新，它們在實際農(nóng)業(yè)應(yīng)用中也展現(xiàn)出巨大潛力。例如，在果樹管理中，研究者使用弱監(jiān)督學(xué)習(xí)方法，僅用圖像級標(biāo)注就實現(xiàn)了對蘋果果實的準(zhǔn)確計數(shù)，平均誤差僅為12.0，遠(yuǎn)低于傳統(tǒng)方法的誤差。在雜草管理中，自監(jiān)督預(yù)訓(xùn)練的模型能更好地適應(yīng)不同環(huán)境條件下的雜草識別任務(wù)，大大提高了除草機器人的適應(yīng)性。

標(biāo)簽高效學(xué)習(xí)技術(shù)正在徹底改變農(nóng)業(yè)深度學(xué)習(xí)的研發(fā)方式。它不僅大幅降低了數(shù)據(jù)標(biāo)注成本，還提高了模型在真實田間環(huán)境中的魯棒性和泛化能力。就像精準(zhǔn)農(nóng)業(yè)追求用最少的投入獲得最優(yōu)的產(chǎn)出一樣，標(biāo)簽高效學(xué)習(xí)也在用最少的標(biāo)注投入，創(chuàng)造最大的智能價值。

田間實踐

標(biāo)簽高效學(xué)習(xí)技術(shù)不只存在于實驗室和論文中，它們已經(jīng)在真實農(nóng)田里大顯身手。在植物健康監(jiān)測領(lǐng)域，這些技術(shù)正悄然改變著農(nóng)民發(fā)現(xiàn)和應(yīng)對病害的方式。

以桉樹病害識別為例，巴西研究人員在2022年使用主動學(xué)習(xí)方法開發(fā)了一套無人機監(jiān)測系統(tǒng)。傳統(tǒng)方法需要標(biāo)注數(shù)萬張圖像，而他們只標(biāo)注了50張樣本，就將識別誤差降到了8.8%。系統(tǒng)能識別出一種名為＂枯萎病＂的新型威脅，為農(nóng)場主提供早期預(yù)警。這在大型種植園尤為重要，人工巡檢可能需要數(shù)周才能完成一輪，而無人機加智能識別只需幾小時。

大豆是全球重要的經(jīng)濟作物，其病害識別同樣受益于標(biāo)簽高效學(xué)習(xí)。阿莫林及其團隊在2019年采用半監(jiān)督學(xué)習(xí)方法，使用OPFSEMImst算法處理未標(biāo)記樣本。即使90%的圖像沒有標(biāo)簽，他們的系統(tǒng)仍達(dá)到了98.9%的準(zhǔn)確率，與使用全部標(biāo)記數(shù)據(jù)相差無幾。這使得大豆病害預(yù)警系統(tǒng)可以更快部署到田間，不必等待漫長的數(shù)據(jù)標(biāo)注過程。

柑橘害蟲的監(jiān)測是另一個成功案例。博利斯團隊在2022年開發(fā)的基于注意力機制的多實例學(xué)習(xí)框架，只需圖像級標(biāo)注就能準(zhǔn)確識別微小的柑橘螨蟲。與傳統(tǒng)方法相比，識別準(zhǔn)確率提升了16%。這解決了農(nóng)民長期面臨的難題：柑橘螨蟲體型極小，肉眼難以發(fā)現(xiàn)，通常等癥狀明顯時已造成嚴(yán)重?fù)p失。

雜草與作物管理是精準(zhǔn)農(nóng)業(yè)的核心任務(wù)，標(biāo)簽高效學(xué)習(xí)在這一領(lǐng)域同樣表現(xiàn)出色。楊氏團隊在2022年利用基于相異度的主動學(xué)習(xí)方法，只用了32%的標(biāo)記樣本就達(dá)到了90.75%的雜草分類準(zhǔn)確率。這項技術(shù)已應(yīng)用于澳大利亞DeepWeeds數(shù)據(jù)集，幫助農(nóng)民精準(zhǔn)識別有毒雜草，避免牲畜中毒事件。

半監(jiān)督學(xué)習(xí)在田間雜草管理中同樣大有可為。農(nóng)藝師諾恩在2022年開發(fā)的SemiWeedNet系統(tǒng)采用一致性正則化損失函數(shù)，即使只有20%的像素級標(biāo)注數(shù)據(jù)，也能實現(xiàn)69.2%的雜草分割精度。這一技術(shù)已在無人駕駛除草機器人上測試，可減少除草劑用量高達(dá)70%，大幅降低環(huán)境污染。

水果檢測與收獲是農(nóng)業(yè)機器人的重要應(yīng)用。傳統(tǒng)方法需要大量精確標(biāo)注的邊界框，費時費力。貝洛基奧團隊在2019年提出的弱監(jiān)督果實計數(shù)框架只需圖像級標(biāo)注，就能實現(xiàn)與全監(jiān)督方法相當(dāng)?shù)挠嫈?shù)準(zhǔn)確率。在加州一處杏仁園的測試表明，計數(shù)誤差僅為71.83%，遠(yuǎn)低于傳統(tǒng)方法的88.33%。

葡萄是另一種高價值作物，其檢測和分割同樣從標(biāo)簽高效學(xué)習(xí)中獲益。卡薩多-加西亞團隊在2022年評估了三種半監(jiān)督學(xué)習(xí)方法用于葡萄分割，證明即使只有21%的圖像被標(biāo)注，仍能達(dá)到85.86%的分割準(zhǔn)確率。這一技術(shù)已應(yīng)用于自動葡萄采摘機器人，提高了收獲效率和果實完整性。

植物表型分析是現(xiàn)代育種的關(guān)鍵環(huán)節(jié)，但傳統(tǒng)方法需要耗時的人工測量。原始等人在2022年評估了四種基于不確定性的主動學(xué)習(xí)算法用于植物器官分割。結(jié)果表明，基于邊緣的方法在蘋果和小麥數(shù)據(jù)集上分別提高了0.43%和0.53%的交叉并比。這些看似微小的改進(jìn)，在實際應(yīng)用中意味著數(shù)千個植物樣本的測量變得更加準(zhǔn)確。

麥穗是糧食作物產(chǎn)量的直接指標(biāo)，其檢測和計數(shù)至關(guān)重要。富拉蒂團隊在2021年將偽標(biāo)簽方法應(yīng)用于小麥穗檢測，在全球小麥穗檢測挑戰(zhàn)賽中名列前茅。該系統(tǒng)能在實際田間環(huán)境中準(zhǔn)確識別麥穗，即使在密植條件下也能達(dá)到滿意精度，為小麥育種和產(chǎn)量估計提供了可靠工具。

葉脈分析是植物健康和品種鑒定的重要手段。李氏團隊在2022年提出的置信度精煉葉脈網(wǎng)絡(luò)（CoRE-Net）采用兩階段訓(xùn)練框架，即使每個葉片類別只有不到10個標(biāo)注樣本，也能提高9.38%的分割準(zhǔn)確率。這一技術(shù)已應(yīng)用于36類植物葉片分析，為植物學(xué)研究和農(nóng)作物品種改良提供支持。

收獲后質(zhì)量評估是農(nóng)產(chǎn)品供應(yīng)鏈的重要環(huán)節(jié)。馬里諾團隊在2019年提出的基于CAM的弱監(jiān)督方法用于馬鈴薯缺陷檢測和分割，只需圖像級標(biāo)注就能達(dá)到94%的F1分?jǐn)?shù)，遠(yuǎn)高于傳統(tǒng)SVM方法的78%。該系統(tǒng)已在馬鈴薯加工廠實施，每小時可檢測上萬個馬鈴薯，準(zhǔn)確篩選出有黑斑、青化或腐爛的不合格樣品。

這些實際應(yīng)用案例充分證明，標(biāo)簽高效學(xué)習(xí)不只是理論創(chuàng)新，它正在田間地頭、加工車間真實改變著農(nóng)業(yè)生產(chǎn)方式。通過減少對人工標(biāo)注的依賴，這些技術(shù)使智能農(nóng)業(yè)系統(tǒng)的部署速度更快、覆蓋范圍更廣、適應(yīng)能力更強，最終幫助農(nóng)民實現(xiàn)增產(chǎn)增收和可持續(xù)生產(chǎn)。

前景與挑戰(zhàn)

盡管標(biāo)簽高效學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域取得了令人矚目的成績，但這條路并非一帆風(fēng)順。未來發(fā)展面臨多重挑戰(zhàn)，也蘊含無限機遇。

偽標(biāo)簽精煉是亟待解決的關(guān)鍵問題。偽標(biāo)簽往往包含錯誤信息，這些錯誤會在訓(xùn)練過程中累積放大。2020年的研究表明，在植物病害識別任務(wù)中，約15%的偽標(biāo)簽存在錯誤，這直接影響了模型的最終準(zhǔn)確率。為解決這一問題，索恩等人提出了FixMatch算法，只保留高置信度的偽標(biāo)簽進(jìn)行訓(xùn)練。在蘋果病害識別任務(wù)中，這一策略將錯誤率從15%降至6%。另一種思路是利用不可靠的偽標(biāo)簽增強特征表示，王氏團隊在2021年提出的不確定性感知偽標(biāo)簽精煉框架，通過對抗訓(xùn)練過程逐步改善高不確定性預(yù)測，生成更可靠的目標(biāo)標(biāo)簽。這在農(nóng)作物識別任務(wù)中取得了顯著效果，尤其對罕見品種的識別準(zhǔn)確率提升了7%。

開放集學(xué)習(xí)是農(nóng)業(yè)應(yīng)用中的另一大挑戰(zhàn)。與實驗室環(huán)境不同，真實農(nóng)田中常出現(xiàn)未見過的新病害、雜草或生長狀況。傳統(tǒng)模型面對這些＂數(shù)據(jù)外＂樣本時往往表現(xiàn)不佳。劉氏團隊在2022年提出了一種基于DINO模型的開放集檢測模塊，首先通過自監(jiān)督方式預(yù)訓(xùn)練，然后用有限的標(biāo)記樣本微調(diào)。系統(tǒng)通過計算特征向量之間的距離來過濾掉數(shù)據(jù)外對象。在溫室番茄病害檢測中，這一方法有效識別出了訓(xùn)練集中未包含的黃葉卷曲病，為及時隔離和防控提供了可能。

持續(xù)學(xué)習(xí)是長期作物管理的必然需求。隨著季節(jié)變化和栽培條件調(diào)整，農(nóng)田數(shù)據(jù)分布會發(fā)生變化，模型需要不斷更新以保持準(zhǔn)確性。傳統(tǒng)方法需要保留全部原始訓(xùn)練數(shù)據(jù)，這在存儲空間和計算資源有限的邊緣設(shè)備上不切實際。李氏團隊在2019年提出的知識蒸餾目標(biāo)方法，通過保留舊任務(wù)的知識來防止災(zāi)難性遺忘。在一項長達(dá)三年的小麥生長監(jiān)測研究中，該方法即使在沒有訪問原始數(shù)據(jù)的情況下，依然保持了87%的識別準(zhǔn)確率。自監(jiān)督技術(shù)也被應(yīng)用于處理數(shù)據(jù)分布偏移，孫氏團隊在2020年證明，通過對未標(biāo)記測試數(shù)據(jù)應(yīng)用自監(jiān)督技術(shù)，可有效克服不同年份間的數(shù)據(jù)分布變化。

多模態(tài)數(shù)據(jù)學(xué)習(xí)有望進(jìn)一步提升農(nóng)業(yè)智能系統(tǒng)的性能。單一模態(tài)的數(shù)據(jù)（如RGB圖像）難以捕捉植物的全部特征。基內(nèi)-莫拉團隊在2019年將RGB和深度數(shù)據(jù)結(jié)合用于果實檢測，大幅提高了在復(fù)雜光照條件下的識別率。史泰寧格等人在2023年探索了多光譜數(shù)據(jù)在雜草識別中的應(yīng)用，證明不同波段數(shù)據(jù)能提供互補信息，即使在標(biāo)記數(shù)據(jù)有限的情況下也能提高模型魯棒性。多模態(tài)學(xué)習(xí)與標(biāo)簽高效學(xué)習(xí)的結(jié)合是一個前景廣闊的研究方向，夏爾馬團隊在2022年的研究表明，通過聯(lián)合建模視覺、溫度和濕度數(shù)據(jù)，可在作物產(chǎn)量預(yù)測任務(wù)中減少60%的標(biāo)注需求。

應(yīng)用落地是另一個重要課題。盡管學(xué)術(shù)界不斷推出新算法，但這些技術(shù)在實際農(nóng)場的應(yīng)用仍面臨阻力。一方面，算法復(fù)雜性與農(nóng)場實際計算資源之間存在差距；另一方面，農(nóng)民對黑盒系統(tǒng)的接受度不高，他們更信任可解釋的決策過程。莫瑟最新的一項調(diào)查顯示，78%的農(nóng)場主希望了解AI系統(tǒng)做出判斷的依據(jù)，尤其是在關(guān)鍵決策如病害防治和灌溉管理方面。開發(fā)輕量級、可解釋的標(biāo)簽高效學(xué)習(xí)模型，是促進(jìn)技術(shù)推廣的關(guān)鍵。

此外，不同氣候區(qū)和種植體系間的模型遷移也需要更多關(guān)注。一個在溫帶地區(qū)訓(xùn)練的作物識別模型，在熱帶地區(qū)可能表現(xiàn)不佳。域適應(yīng)技術(shù)能在一定程度上緩解這一問題，但仍需探索更有效的方法應(yīng)對極端環(huán)境條件下的模型泛化問題。吉福里達(dá)等人在2019年的研究表明，通過無監(jiān)督對抗學(xué)習(xí)框架，可以有效減少域移位，在跨物種葉計數(shù)任務(wù)中顯著降低了預(yù)測誤差。

標(biāo)簽高效學(xué)習(xí)為農(nóng)業(yè)智能化提供了新思路，但要真正發(fā)揮其潛力，還需學(xué)術(shù)界、產(chǎn)業(yè)界和農(nóng)場主的共同努力。簡化標(biāo)注工具、提高算法透明度、增強模型魯棒性，都是推動技術(shù)普及的關(guān)鍵因素。隨著研究不斷深入，我們有理由相信，未來的農(nóng)業(yè)智能系統(tǒng)將以更少的標(biāo)注成本，提供更準(zhǔn)確的決策支持，助力農(nóng)業(yè)生產(chǎn)向更高效、更可持續(xù)的方向發(fā)展。

參考資料

1. Li， J.， Chen， D.， Qi， X.， Li， Z.， Huang， Y.， Morris， D.， &； Tan， X. （2023）. Label-Efficient Learning in Agriculture: A Comprehensive Review. arXiv preprint.

2. Chen， D.， Li， J.， &； Li， Z. （2022）. Weed control using deep learning: A review. Precision Agriculture.

3. Xu， Y.， Smith， L.， Grunwald， S.， Abd-Elrahman， A.， &； Wani， S. P. （2021）. Applications of deep learning in precision agriculture: a review. Precision Agriculture， 22（5）， 1401-1429.