Journal of Scientific Research and Reports·10月3日 · 周六论文农业人工智能与决策模型阅读 3
The Changing Landscape of Plant Disease Detection: The Role of Artificial Intelligence
Aksa Anna Shajan · Sumiya K. V. · Sainamole Kurian P. 等 6 人
论文解读
78精选
速览
综述AI在植物病害检测中的应用，涵盖分类、检测、分割及早期诊断，并指出田间部署的瓶颈与新兴方向。
方法
综述机器学习、深度学习、计算机视觉与高光谱/多光谱/热成像及无人机结合的研究。
发现
AI实验表现优异，但受数据、环境变异和验证不足限制，田间可靠部署仍困难。
机会点
可探索多模态基础模型与联邦学习在跨域田间病害检测中的鲁棒性和可解释性验证。
影响力18
信息增量21
专业深度18
信源权威13
时效性8
系统综述AI植物病害检测的方法、瓶颈与前沿方向，学术价值高但属综述性论文，产业落地影响有限。
原文摘要
植物病害制约农业生产力和粮食安全，而传统诊断高度依赖可见症状和专家经验，限制了在异质性农业环境中进行快速、可扩展的评估。人工智能（AI），特别是机器学习、深度学习和计算机视觉，为自动化、非侵入式病害检测提供了互补性方法。本文综述了基于AI的图像分类、目标检测、图像分割、严重度评估以及早期或症状前病害检测方法，并探讨了AI与高光谱、多光谱和热成像及无人机相结合用于作物尺度监测和精准管理的集成应用。已报道的研究在许多实验条件下表现出高性能；然而，可靠的田间部署仍受限于数据集有限或不平衡、症状相似性、环境变异性、域偏移、计算需求以及独立验证不足等问题。本文进一步探讨了可解释人工智能、边缘计算、多模态传感、基础模型、视觉语言模型和联邦学习等新兴方向。这些方法有望提升鲁棒性、可解释性、可及性和可扩展性，但其价值取决于具有代表性的田间数据、生物学有效性、严格的外部验证，以及与植物病理学专业知识在多样化作物、品种、地点、季节和成像条件下的整合。因此，AI应被视为一种互补性决策支持工具，其实际贡献取决于将计算方法与生物学知识和真实农业观测相结合。