人工智能的空前发展给各行各业带来了前所未有的变革,其背后的推动力离不开深度学习。在农业领域,杂草是制约粮食生产的主要原因之一,现代化农业逐步趋于智能化,如使用植保无人机、智能除草设备等,其关键在于如何有效识别作物与不同杂草群落,进而高效使用除草剂或除草设备。目前,以卷积神经网络为代表的深度学习架构在图像识别中取得了令人瞩目的成绩,但其往往需要大量样本数据和高性能硬件设备支持来训练和运行复杂的网络结构,而在实际应用中样本数据的获取、标注成本、网络大小、运行效率等都是需要考虑的因素。因此,基于小样本、轻量化的网络架构成为目前的研究热点之一。和积网络是新型概率深度网络模型,区别于贝叶斯网和马尔科夫网等具有NP难计算的概率图模型,和积网络能够在网络大小的线性时间内进行精确推理,具有强大的理论支持。与神经网络相比,其网络内部结构具有清晰的概率语义,且学习过程简单快速。因此,针对上述问题,本文提出一种自下而上生成网络结构,自上而下更新网络参数的轻量和积网络算法,在多个基准数据集的对比中,获得了最佳的对数似然值。最后结合K-means算法提出一种轻量和积网络杂草识别模型。以无人机获取的大豆杂草小样本数据集作为训练样本,网络参数仅为和积网络的36%,平均识别准确率为96.4%。在不失精确度的同时,所需样本数量更少,训练时间更快。本文的主要工作概述如下:1、阐述了轻量和积网络的研究背景及意义。介绍了农业领域中,近年来田间除草的主要方法、研究现状以及它们存在的问题。2、介绍了和积网络理论知识,相关定义和定理。3、详述了基于小批量学习的轻量和积网络学习方法。结构学习上,不同于递归划分实例和变量的传统方法,其网络结构依据变量之间的相关性动态生成,且对每层和节点个数加以约束,以使其有较低的树宽和较深的层数。参数学习上,利用贝叶斯矩匹配自顶向下更新权重,并采用一定方式对模型结构和参数进行进一步优化。4、为验证轻量和积网络在概率推理任务中的有效性,在大量基准数据集中做了对比实验,在平均对数似然指标中取得了良好效果。5、提出了以K-means为底层特征提取器、轻量和积网络为高层特征提取器和分类器的杂草识别模型。在大豆田小样本数据集中对比传统方法LearnSPN和AlexNet,模型具有较高的准确率和召回率,并对其性能进行进一步分析对比,验证该模型的有效性。