YOLO-Based Leaf Disease Detection in Smart Agriculture: Evolution, Task Adaptation, and Deployment Challenges

基于计算机视觉的叶片病害检测已成为智慧农业和农业巡检服务中的一项重要技术途径。近年来，人工智能（AI）与深度学习的进展为自动化叶片病害监测提供了有效解决方案，其中基于You Only Look Once（YOLO）的检测器因在检测精度与推理速度之间取得平衡而受到越来越多的关注。然而，叶片病害检测仍面临诸多挑战，因为病斑通常占据较小区域、具有细微的视觉特征、边界模糊，并且出现在复杂背景中，在田间条件下还存在相当大的变化。为应对这些挑战，大量研究对轻量级骨干网络、特征融合机制、注意力模块、检测头、损失函数和训练策略进行了改进。本批判性叙述综述考察了基于YOLO的叶片病害检测，按任务特征对已报道的改进进行组织，并结合数据集、标注和评估条件解释其结果。代表性研究报告了检测性能、模型紧凑性或实测推理速度方面的提升，同时也揭示了取决于任务和配置的权衡。尽管如此，仍存在若干挑战，包括数据集多样性有限、跨作物和跨环境泛化能力不足、对标注不确定性考虑不充分、仅基于参数减少对轻量级模型进行有偏评估，以及基准性能与实际部署之间的差距。未来研究应聚焦于面向任务的优化、鲁棒的视觉感知、改进的模型泛化能力以及面向智能农业监测系统的高效部署。