基于深度学习技术的作物害虫分类：综述
计算机视觉与模式识别
2025-08-11 v3 人工智能
摘要
昆虫害虫持续对全球作物产量构成严重威胁，而传统方法监测害虫往往速度慢、手动且难以扩展。近年来，深度学习作为强大的解决方案，卷积神经网络 (CNN)、视觉转换器 (ViT) 以及混合模型在自动化害虫检测方面日益受到欢迎。本综述选取了 37 项在 2018 年至 2025 年间专注于基于人工智能的害虫分类的精选研究，按作物类型、害虫种类、模型架构、数据集使用及关键技术挑战进行组织。早期研究高度依赖 CNN，但最新工作正向混合和基于转换器的模型转变，这些模型在提高准确率和改进上下文理解方面取得了更好效果。尽管如此，像数据集不平衡、难以检测小型害虫、泛化性有限以及在边缘设备上部署等挑战仍然是重要的障碍。总体而言，本综述提供了该领域的结构化概述，突出了有用的数据集，并概述了基于人工智能的害虫监测系统的关键挑战及未来方向。
引用
@article{arxiv.2507.01494,
title = {Crop Pest Classification Using Deep Learning Techniques: A Review},
author = {Muhammad Hassam Ejaz and Muhammad Bilal and Usman Habib and Muhammad Attique and Tae-Sun Chung},
journal= {arXiv preprint arXiv:2507.01494},
year = {2025}
}
备注
This version adds co-authors who were unintentionally left out of the prior submission. Additionally, Table 1 has been reformatted for clarity, and several typographical errors have been corrected